TSM，TRN 神经网络模型解析附代码_out[:, :-1, :fold] = x[:, 1:, :fold]

TSM是一个保持2DCNN复杂度但是却能达到3DCNN效果的网络结构

对于视频识别的关键就是时间信息，这也是众多分析序列网络模型的研究点。

TSM提出了一种可以基于现存的网络模型（Resnet）加入temporal shift module的方法

例如基于resnet50的改进办法：

首先得到resnet50的网络模型，在每个残差块的第一卷积之前，进行shift操作，

假如入模型输入为[8,3,224,224],八张RGB图像，经过卷积，BN,RELU，maxpoling后进入第一个残差块输入为[8,64,56,56],然后对这个张量进行right shift ，left shift操作，即将后7帧选取八分之一通道，替换掉前七帧，将前7帧选取八分之一替换到后7帧八分之一，达到你中有我，我中有你的效果。然后将shift之后的tensor 送入残差块学习。

以上仅供参考

注意点 ：

一次要输入八张图像，即每一次dataloader，要loader进八张图像，即一个batchsize =1 时的输入维度为【1,24,224,224】 然后变成【8,3,224,224】进行处理，当然也可以指定batchsize为任意数目。

shift 操作一定的核心代码：

class TemporalShift(nn.Module):
    def __init__(self, net, n_segment=3, n_div=8, inplace=False):
        super(TemporalShift, self).__init__()
        self.net = net
        self.n_segment = n_segment
        self.fold_div = n_div
        self.inplace = inplace
        if inplace:
            print('=> Using in-place shift...')
        print('=> Using fold div: {}'.format(self.fold_div))
 
    def forward(self, x):
        x = self.shift(x, self.n_segment, fold_div=self.fold_div, inplace=self.inplace)
        return self.net(x)
 
    @staticmethod
    def shift(x, n_segment, fold_div=3, inplace=False):
        nt, c, h, w = x.size()
        n_batch = nt // n_segment
        x = x.view(n_batch, n_segment, c, h, w)
 
        fold = c // fold_div
        if inplace:
            out = InplaceShift.apply(x, fold)
        else:
            out = torch.zeros_like(x)
            out[:, :-1, :fold] = x[:, 1:, :fold]  # shift left
            out[:, 1:, fold: 2 * fold] = x[:, :-1, fold: 2 * fold]  # shift right
            out[:, :, 2 * fold:] = x[:, :, 2 * fold:]  # not shift
 
        return out.view(nt, c, h, w)

TRN: temporal relation Network

先利用resnet作为提取图片特征的网络，从输出的【8,256】，按顺序索引出几种组合，组合内的特征图相加，然后每种组合在相加。来达到时序建模的思想。

TRN 致力于探索时间维度上的关系，主要提出了两个方面的创新点：

1  设计了新的融合函数来表征不同时间帧的关系，

2 通过时间维度上的多尺度特征融合，来提高视频的鲁棒性，抗快速和慢速动作的干扰

由图可知，对每段区间的视频帧学习特征，找到帧在时间维度上的关系。