《Towards Good Practices for Very Deep Two-Stream ConvNets》阅读笔记

作者信息：Limin Wang, Yuanjun Xiong, Zhe Wang, Yu Qiao,

摘要

深度卷积神经网络在静止图像的目标识别取得了巨大的成功，但是在视频的行为识别领域，深度学习提升的效果并不是很显著，主要的原因有两点：

• 相对于图像识别，视频的行为识别所使用的卷积网络结构深度太浅，因此模型的拟合能力因为深度受到限制。
• 第二点可能更为重要，主要是用于行为识别的视频数据集规模相对于ImageNet太小，因此在训练集上很容易导致严重的过拟合现象发生。

为了解决上述问题，采用了very deep two-stream网络用于行为识别，将当前流行的深度结构应用于视频领域。但是由于视频行为识别的规模较小，这种扩展并不容易。我们设计了多种实践应用于very deep two_stream 的训练，如下：

• 在时域网络和空间网络预训练

• 更小的学习速率

• 更多的图像增强技术
• high drop out 系数

与此同时，将Caffe 工具箱延伸到多GPU环境，从而有更高的计算效率，更少的内存消耗。very deep two_stream方法在UCF-101数据集上取得了91.4%的识别精度。

---

1.引言

近几年视频片段的行为识别取得了巨大的进步，这些方法可以分为两类：

• 人工绘制的局部特征和视觉词袋表示。
  
  • 最成功的方法是提取 提升的轨迹特征，并且使用Fisher vector 表示
• 采用深度卷积神经网络从原始数据中(RGB图像和光流方程)来学习视频表示，以端到端的方式训练识别系统。

然而，不像图像分类，深度卷积神经网络相对于传统方法并没有产生很好的提升效果。我们认为主要的原因有两点：

1. 行为的概念比目标更为复杂，并且与其他高层次的视觉概念相关联，例如交互目标，场景内容，人体姿态等。因此，更加复杂的问题需要高复杂性的模型拟合能力。然而，当前two-stream卷积网络的深度相对较浅(5层卷积层，3层全连接层)。
2. 相对于图像识别领域的ImageNet数据集，行为识别的视频数据集相对规模较小。例如UCF-101数据集只有13320个视频片段。

2.Very Deep Two-stream ConNets

2.1 网络结构

在过去几年，提出了很多流行的网络结构，例如AlexNet,ClarifaiNet,GoogLeNet,VGGNet等等。这些网络结构特点的趋势主要有：更小的卷积核尺寸，更小的卷积步长，更深的网络结构。这些趋势证明了在提升识别性能上是有效的。

• GoogLeNet
  代号为：Inception，其基本的思想是Hebbian 原则和多尺度处理。
  每个Inception 模块是由多个不同尺度的卷积滤波器组成，这样可以增强网络的适应能力。
  1×1卷积操作可以进行特征降维，从而加快计算效率。
  GoogLeNet由22层的Inception模块堆叠组成，以及可选的max-pooling层将图像对比度减少一半。
• VGGNet
  它是一个新的卷积神经网络结构，拥有更小的卷积尺寸(3×3)，更小的卷积步长(1×1),更小的下采样窗口(2×2)，更深的结构(19层)
  VGGNet主要研究网络结构的深度对识别性能的影响。
  VGGNet-16:13层卷积层，3层全连接层
  VGGNet-19:16层卷积层，3层全连接层
• Very Deep Two-stream ConvNets
  单帧图像(224×224×3)
  时域输入为10帧光流场(224×224×20),因此第一层卷积滤波操作和图像分类模型不一样
  2.2网络训练
  该部分主要介绍very deep two-stream卷积网络如何在UCF-101数据集进行训练。
  UCF-101：13320 视频，提供3中分割方式评价。每一种模式，10000个视频用于训练，3300个视频用于测试。由于数据集规模较小，而且行为的内容相对复杂，所以训练深度two-stream网络比较复杂。
• Pre−trainingforTwo−streamConvNets.当训练的数据集规模较小，预训练在网络的初始化方面已经被证明很有效果。对于空域网络，采用ImageNet训练的模型来初始化。对于时域网络，虽然它的输入是光流图像，携带的是运动信息，但是使用ImageNet网络模型仍然可以很好工作。
  为了使ImageNet预训练模型合理，我们在光流场和ImageNet模型上做了一些修改。
  第一步，从每一个视频提取光流场，并且通过线性变换离散化到间隔[0,255]中；
  第二步，时域网络的通道数为20(空域是3)，在所有通道上，对ImageNet模型滤波器的第一层求平均值，然后将结果复制20次作为时域网络的初始化值。
• 更小的学习速率
  
  • 对于时域网络，学习速率开始为0.005，每10000次迭代下降为它的1/10，迭代30000次结束。
  • 对于空域网络，学习速率开始为0.001，每4000次迭代后下降为1/10，迭代10000次结束。
    学习速率共下降3次，与此同时我们发现迭代的次数更少，可能的原因在于我们使用了ImageNet模型预训练了网络。
    -更多的增强技术.
    研究表明，随机裁剪和水平翻转在防止过拟合的问题上非常有效。我们尝试了两种新的有效的图像增强技术用于训练Two-stream ConvNets.
  • 设计了角落裁剪策略，我们只裁剪图像的4个角落和1个中间区域。 随机裁剪裁剪的区域容易接近图像中间区域，训练损失下降很快，但是容易导致过拟合问题。如果我们明确地限制裁剪的区域为4个角落和中间区域，网络的输入的变化(图像差异性较大)会增加，这种策略可以减少过拟合的影响。
  • 使用多尺度的裁剪方法来训练very deep Two-stream ConvNets.
    多尺度的方法在ImageNet数据集上进行目标识别非常有效，我们将其应用到行为识别。将输入图像的尺寸修正为256\times 340.从以下尺寸{256,224,192,168}随机采样裁剪宽和高，之后改变裁剪区域的尺寸为224\times 224.这种裁剪策略不仅引进了多尺度增强，同时增加了长宽比。
• Highdropout系数.
  
  • 对时域网络，在全连接层，设置了较高的随机失活系数，设置的系数为0.9和0.8。
  • 对空域网络，在全连接层，设置的系数为0.9和0.9
• 多GPU训练.
  深度学习模型应用到视频的行为识别最大的障碍是它的长训练时间，多帧的输入增加了内存消耗来。
  解决方法使用多GPU采用并行数据进行训练，使用caffe和OpenMPI实施。
  
  • 4GPU,3.7x faster for VGGNET-16,4x faster for GoogLeNet
  • 每个GPU 4x less 内存消耗。
    2.3网络测试
    测试阶段，采样25帧图像或者光流图像分别测试空域和时域网络。
    对每一个选择的帧图像，获取10(4个角落，1个中间区域，以及它们的水平翻转)个输入。
    从采样的帧中和裁剪区域获得最后的预测分数。
    为了空域网络和时域网络的融合，对它们的预测分数采用加权求和，时域权重为2，空域权重为1.

3.实验

• 数据集实施细节
  
  • 在UCF-101上验证算法，UCF-101包含101个行为类别，每个类别至少100个视频片段，整个数据集包括13320个视频，每个行为类别被分为25组。
  • 光流场的提取采用TDD的方法，使用TVL1光流算法。具体地，我们使用OpenCV方案，主要因为它在精度和效率的平衡。
• 结果.
  
  • 比较了三种不同的网络结构，ClarifaiNet,GoogLeNet,VGGNet-16.
    
    从结果可以看出，更深的网络获得性能更好。
    在空域，VGGNet-16的性能相对于浅层网络提升了5%。
    在时域，VGGNet-16的性能提升了4%。
    Very deep Two-stream ConvNets 相对于原始的Two-Stream ConvNets提升了3.4%。
  • 在THUMOS15验证集上，未使用提出好的训练方法，表现结果如下：
    
    可以发现，在时域上，Very deep Two-stream ConvNets效果不是最好的。我们推测我们提出的方法实 践 (practices) 在避免过拟合的问题上有很好的效果，主要的原因在于
    
    1. 使用ImageNet模型预训练时域网络。
    2. 使用了更多的图像增强技术。

• Comparison.将我们的方法与最近流行的视频行为识别方法进行了对比，结果如下：
  

  • 首先比较了人工特征和fisher vector表示的方法，如IDT算法； 深度学习特征的方法，比如轨迹池化-深度卷积描述符(TDD).我们的方法比所有的Fisher Vector都要好；
  • 其次，比较我们的方法与其他深度网络的方法如DeepNet及基于循环神经网络的Two-stream方法。我们的方法比他们最好的方法提升了2.8%

4.结论

论文中主要提出了Very deep two-stream ConvNets方法，由于数据集规模较小，我们提出了一些好的实践来训练Very deep two-Stream 网络。基于这些训练方法和技巧，Very deep two-stream ConvNets在UCF-101数据集上获得了91.4%的精度。与此同时，我们扩展了Caffe 工具箱到多GPU方案中，从而获得了更高的效率和更少的内存消耗。

Reference.

[1] J. Deng, W. Dong, R. Socher, L. Li, K. Li, and F. Li.ImageNet: A large-scale hierarchical image database.In CVPR, pages 248–255, 2009. 1[2] A. Gorban, H. Idrees, Y.-G. Jiang, A. Roshan Zamir,I. Laptev, M. Shah, and R. Sukthankar. THUMOSchallenge: Action recognition with a large number ofclasses. http://www.thumos.info/, 2015. 3,4[3] K. He, X. Zhang, S. Ren, and J. Sun. Delving deepinto rectifiers: Surpassing human-level performanceon imagenet classification. CoRR, abs/1502.01852,2015. 3[4] Y. Jia, E. Shelhamer, J. Donahue, S. Karayev, J. Long,R. B. Girshick, S. Guadarrama, and T. Darrell. Caffe:Convolutional architecture for fast feature embedding.CoRR, abs/1408.5093. 1, 3[5] Y.-G. Jiang, J. Liu, A. Roshan Zamir, I. Laptev,M. Piccardi, M. Shah, and R. Sukthankar. THUMOSchallenge: Action recognition with a large number ofclasses, 2013. 3[6] A. Karpathy, G. Toderici, S. Shetty, T. Leung, R. Sukthankar,and L. Fei-Fei. Large-scale video classificationwith convolutional neural networks. In CVPR,pages 1725–1732, 2014. 4[7] A. Krizhevsky, I. Sutskever, and G. E. Hinton. ImageNetclassification with deep convolutional neuralnetworks. In NIPS, pages 1106–1114, 2012. 1, 2[8] Z. Lan, M. Lin, X. Li, A. G. Hauptmann, and B. Raj.Beyond gaussian pyramid: Multi-skip feature stackingfor action recognition. In CVPR, pages 204–212,2015. 1, 4[9] J. Y.-H. Ng, M. Hausknecht, S. Vijayanarasimhan,O. Vinyals, R. Monga, and G. Toderici. Beyond shortsnippets: Deep networks for video classification. InCVPR, pages 4694–4702, 2015. 1, 4[10] X. Peng, L. Wang, X. Wang, and Y. Qiao. Bag ofvisual words and fusion methods for action recognition:Comprehensive study and good practice. CoRR,abs/1405.4506, 2014. 4[11] J. S´anchez, F. Perronnin, T. Mensink, and J. J. Verbeek.Image classification with the fisher vector: Theoryand practice. International Journal of ComputerVision, 105(3):222–245, 2013. 1[12] K. Simonyan and A. Zisserman. Two-stream convolutionalnetworks for action recognition in videos. InNIPS, pages 568–576, 2014. 1, 2, 3, 4[13] K. Simonyan and A. Zisserman. Very deep convolutionalnetworks for large-scale image recognition.CoRR, abs/1409.1556, 2014. 1, 2, 3[14] K. Soomro, A. R. Zamir, and M. Shah. UCF101: Adataset of 101 human actions classes from videos inthe wild. CoRR, abs/1212.0402, 2012. 1, 3[15] C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed,D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich.Going deeper with convolutions. CoRR,abs/1409.4842, 2014. 1, 2[16] H. Wang and C. Schmid. Action recognition with improvedtrajectories. In ICCV, pages 3551–3558, 2013.1, 4[17] L. Wang, Y. Qiao, and X. Tang. Mining motion atomsand phrases for complex action recognition. In ICCV,pages 2680–2687, 2013. 1[18] L.Wang, Y. Qiao, and X. Tang. Motionlets: Mid-level3D parts for human motion recognition. In CVPR,pages 2674–2681, 2013. 1[19] L. Wang, Y. Qiao, and X. Tang. Action recognitionwith trajectory-pooled deep-convolutional descriptors.In CVPR, pages 4305–4314, 2015. 1, 3, 4[20] L. Wang, Z. Wang, Y. Xiong, and Y. Qiao.CUHK&SIAT submission for THUMOS15 actionrecognition challenge. In THUMOS’15 Action RecognitionChallenge, 2015. 3, 4[21] C. Zach, T. Pock, and H. Bischof. A duality based approachfor realtime tv-L1 optical flow. In 29th DAGMSymposium on Pattern Recognition, 2007. 3[22] M. D. Zeiler and R. Fergus. Visualizing and understandingconvolutional networks. In ECCV, pages818–833, 2014. 2