基于 mmaction2 的 Non-local 详解

---

0. 前言

• 一直没有完全理解Non-Local，这次配合代码，一定要百分百搞定。

---

1. 论文笔记

• arxiv: Non-local Neural Networks
• 论文解读（强烈推荐）
• 知乎讨论

1.1. 要解决什么问题？

• 主要提出了local/non local两类操作的定义。
  • 现在一般的操作，如cnn/rnn都是local操作。
  • local 操作
    • 每次只能处理一个邻域内的数据（process one local neightborhood at a time）
    • 普通的CNN/RNN都属于local操作
    • 主要缺陷有：计算效率低（computationally inefficient），优化较为困难（cause optimization difficulties），使得multihop dependency modeling（数据需要前后依赖的情况）更困难。
  • non local 操作：
    • 主要优势：能够获取long-range dependencies，效率高且需要的层数少，输入与输出的尺寸相同（可较为方便地嵌入模块）。
• 从下图中理解一下non-local操作的优势
  • 提问：在进行行为识别任务的时候，与 $X_i$（即左一图片中的足球位置）相关的位置是在哪里？
    • 实际情况：与$X_i$相关的位置就是箭头指向的位置。
    • 目前情况：如果是用local操作，如CNN操作，那与$X_i$相关的位置就是以改点为中心的矩形区域。
    • 也就是说，目前的CNN并不能满足实际情况下的需求。
  • 

1.2. 用了什么方法解决？

• 定义了 non local 操作：
  • 注意：对于non-local操作，输入与输出的尺寸是一样的。
  • 
  • 参考下论文解读中的描述，很清楚了：
    • 输入是x，输出是y，i和j分别代表输入的某个空间位置，x_i是一个向量，维数跟x的channel数一样。
    • 最终结果y是
    • f是一个计算任意两点相似关系的函数，输出的是标量，shape就是 []
    • g是一个映射函数，将一个点映射成一个向量，可以看成是计算一个点的特征，比如最简单的1*1卷积。
    • 也就是说，为了计算输出层的一个点，需要将输入的每个点都考虑一遍
      • 很像attention：输出的某个点在原图上的attention，而mask则是相似性给出。
    • 参看下图：
• 具体实现方式参考下图：
  • Softmax分支代表的是mask。
  • 另外一路代表的就是transformed image。
  • 

1.3. 效果如何？

• 在当时，进将non-local作为一个trick添加到行为识别网络中就能达到SOTA的效果。

1.4. 还存在什么问题？

• 这类操作一般是添加在原有3D网络基础上的，是用运行时间换准确率。
• 还有一个缺陷（其实是看了新论文才知道的，详情参考Region-based Non-local Operation）
  • Non-local 计算两个点之间的依赖关系的时候，只使用了这两个点的信息，而没有充分利用周围小区域的信息。

---

2. mmaction2 源码分析

2.1. Non-local 模块的实现

• mmaction2 中的Non-local实现代码，定义在 mmcv 中……
  • 具体源码位置是 mmcv/cnn/bricks/non_local.py。
• 实现了1D/2D/3D三种non-local操作。
  • 主要就是实现了上面图中的结构。
  • 提供了 sub_sample 选项，主要就是对除batch size以及channel外的特征图进行max pool操作。
  • 1D/2D/3D的实现方式都相同。
• 配合上图非常清晰了，源码里用的都是 g, theta, phi 这样的变量名。

2.2. Non-local 模块如何添加到现有网络中

• Non-local 相关的参数
  • model.backbone.non_local 和 model.backbone.non_local_cfg，前者指定那些block要用non local操作，后者设置具体non local操作的参数
  • 参数举例如下

non_local=((0, 0, 0), (1, 0, 1, 0), (1, 0, 1, 0, 1, 0), (0, 0, 0)),
non_local_cfg=dict(
    sub_sample=True,
    use_scale=False,
    norm_cfg=dict(type='BN3d', requires_grad=True),
    mode='embedded_gaussian'),
shift_div=8),
1
2
3
4
5
6
7

• Non-local的位置

  • TSM-Resnet中：
    • 普通的block通过NL3DWrapper包裹。
    • 该模块中，先调用原始block，再调用non-local模块。
  • Resnet3d中：
    • 对两类block分别添加non-local参数。
    • 每类block，在原先运行完成后，添加non-local模块。