T3D基于DenseNet可变时序的3D视频行为识别网络_行为识别可视化t3d

作者：花生_TL007 | 2024-02-18 01:51:55

踩

行为识别可视化t3d

Temporal 3D ConvNets: New Architecture and Transfer Learning for Video Classification

论文地址：https://arxiv.org/pdf/1711.08200

最近读了一篇关于行为识别方向的文章《Temporal 3D ConvNets: New Architecture and Transfer Learning for Video Classification》,这篇文章可以说是经典。本文最大的贡献就是提出了一种模型迁移的方法，同时引入一种新的时域层temporal layer给可变时域卷积核深度建模，此层叫做temporal transition layer(TTL) ，作者将这个新的temporal layer嵌入到提出的3D CNN，该网络叫做Temporal 3D ConvNets（T3D）。本文将DenseNet 结构从2D扩展到3D中。另一个贡献是将知识预先训练好的2D CNN转移到随记初始化的3D CNN以实现稳定的权值初始化。

文章思想建立在何种背景之下？在当下，提出的许多卷积神经网络不能够捕获长范围的时序信息，这限制了模型的表现，同时他们面临着如下问题:(1).这些视频结构相比2D卷积网络有许多参数;(2).训练这些模型需要相对大型的数据集;(3).光流图的获取是比较费力的，而且对于大型数据集来说，难以获取。文章提出了解决上述问题的方案:(1).采用一种网络结构可以有效的捕获视频的空间和时间特征，从而替代光流图;(2).采用一种可以在不同网络之间进行迁移的方法，从而避免网络从头训练。作者基于此提出了可变时序的3D卷积核，这种卷积核可以捕获短中长时序信息，作者将具有该特点的卷积层命名为temporal transition layer(TTL)，这种思想受GooleNet启发，具体如图1。TTL的设计来concat来自不同时序之后feature map。之后作者会将该TTL嵌

如图1. Temporal Transition Layer(TTL)

入到DenseNet中，替换DenseNet结构中的transition层，这也就是所谓的T3D(Temporal 3D ConvNets)，具体如图2，可以进行端到端训练。那么作者为何会选择DenseNet呢？因为其简单且有很高的参数效率，采用密集知识传播，在图像分类任务上取得非常好的表现。同时将2D DenseNet中卷积核池化核替换为3D的网络称为DenseNet3D。为了避免从头训练T3D，作者采用了跨结构迁移学习的方法，具体，作者先在ImageNet数据集上训练2D CNNs，之后通过指导性迁移来对一个随机参数初始化的3D CNNs进行学习，来获得稳定的初始化权重。之后作者在三个有挑战的数据集HMDB51,UCF-101,Kinetics上对T3D进行评估，结果显示T3D相比当下一些3D卷积网络，取得了很好的表现。

图2. T3D网络结构图

接下来，对网络中T3D的每个结构进行详细介绍。首先介绍3D DenseBlock，其类似于2D DenseBlock,内部采用密集连接，具体密集连接如图3，其具体实现采用所谓的合成函数，如图4，xl:表示第l层的输出，其输入为前l-1层的3D feature maps,Hl:表示

图3. 密集连接

对这些feature map进行concat操作，具体实现采用结构为:BN-ReLU-Conv3D。注意，xi的空间尺寸是一样的。接下来是TTL层，其内部采用了多个不同时序长度的卷积核，可以获取短，中，长信息，由于具有不同的时序，其输出的feature map个数是不一样的，但是空间大小相同，之后进行cocat操作，最后通过一个3D pooling,最红得到TTL层的输出。

图4. 合成函数

文章比较重要的就是实现了跨结构迁移学习，从与训练好的2D ConvNets到3D ConvNets。这里2D ConvNets假设已经学到了很好的图像表示，而3D ConvNets的权重采用随机初始化的方法，具体迁移学习的方法使用帧和视频片段之间的对应关系，因为它们同时出现在一起。给定一组X帧和同一时间戳的视频片段，帧和视频中的视觉信息是相同的。跨结构迁移利用这种思想来在2D和3D ConvNet架构之间的图像视频通信任务来学习中级特征表示，具体如图5。使用预先训练过的ImageNet 2D DenseNet CNN和T3D网络作为V，2D DenseNet CNN最后有4个DenseBlock卷积层和一个全连接的层，而3D架构是4个3D-DenseBlocks和一个全连接的层。作者简单地concat两个体系结构的最后一个fc层，并将它们与2048维fc层连接，之后依次连接到两个具有512和128大小的fc层（fc1，fc2）和最终的二元分类器层。作者使用一个简单的二值（0/1）匹配分类器：具体给定X个视频帧和视频片段 - 判断他们是否属于同一个时间戳。对于给定的成对X图像及其相应的视频片段，精确步骤如下：X个帧顺序送入入I并且平均X最后2D fc特征，产生1024-D特征表示，并行视频片段被提供给V，我们提取3D fc特征（1024-D），并将它们连接起来，然后传递给fc1-fc2进行分类。在训练期间，I的模型参数被冻结，而任务是有效地学习V的模型参数而没有任何额外的监督而不是帧 - 视

图5. 跨结构迁移

频之间的对应关系。属于同一视频的相同时间戳的对是正例，而来自两个不同视频的对通过X帧的随机采样和来自两个不同视频的视频剪辑是负例。注意，在反向传播期间，仅更新V的模型参数，即将知识从I传递到V.文中表明，实现了V的稳定权重初始化，并且在目标上进行微调时数据集允许模型快速适应目标数据集，从而避免从头开始训练模型并提高性能。作者证明了通过使用提出的知识转移方法，3D ConvNets可以直接在像UCF101这样的小数据集上进行训练，并且比从头开始训练获得更好的性能。

最后是实验阶段，这个阶段，作者对T3D模型和输入数据进行了search。具体结构探索，作者先从DenseNet 3D开始，对其network-size和输入数据的temporal-depth进行了测试。具体network-size测试如图6。temporal-depth测试如图7。基于上述实验