【PaddlePaddle论文复现营】Temporal Pyramid Network for Action Recognition

写在前面的话

本文是作者参加百度顶会论文复现营的一次心得体会。百度飞桨邀请了一些顶会作者和业内大咖，带领学员们一起学习如何复现顶会论文，感兴趣的小伙伴们快来加入我们吧。

论文简介

今天介绍的这篇论文《Temporal Pyramid Network for Action Recognition》是来自港中文和商汤的一篇论文，发表在CVPR2020上。论文作者中出现了周博磊和石建萍等大佬的名字，膜就完事儿了。
看到论文题目，我们首先想到的是在检测和分割任务中广泛使用的特征金字塔，它在不同尺度的特征图上提取信息，融合高层语义特征和底层纹理特征，是CV任务的涨点神器。但是特征金字塔是在空域（Spatial）做的，时域（Temporal）金字塔是怎么回事呢？作者是为了解决什么问题，又是怎么实现的呢？让我们一起进入论文吧~

从视频分类领域中的一个痛点谈起

视频分类是CV领域的一个重要领域，可以应用到动作识别等方向。在深度学习方法应用到CV领域后，出现了C3D、I3D、P3D、TSN、TMN、TRN等方法，提出了一些具有代表性的成果。动作识别需要提取两种模态的信息，一个来源于单帧的图像，另外一个来源于多帧图像之间的关系。上述网络都能做到这一点，但是大部分工作都忽略了一点：动作的快慢和节奏。如慢走、走路和跑步在单帧的形态和多帧的关系上都比较近似，这给视频分类带来新的挑战。

如上图所示，即便是同一个动作，如(a)和(b)所示的Moving Something Sown，也有明显的速度差别。作者统计了不同动作类内差异的方差，其中，剪羊毛的类内差异最小，翻筋斗的类内差异最大。这和人做动作时的年龄、情绪、精力等因素有关。作者认为，如果能够对视觉节奏（Visual Tempo）的类内和类间差异进行建模，可能会显著提高动作识别的精度。

相关工作

之前的工作是有提到并试图解决视觉节奏这个问题的。比如SlowFast¹，如下图所示，上面的路径是Slow pathway，保有更高的图像分辨率，但是帧较为稀疏；下面的路径是Fast pathway，帧较为稠密、刷新速度较快，但图像分辨率较低。Slow pathway主要用于提取空间语义信息，Fast pathway主要用于提取帧与帧之间的时间关系，同时使用横向连接进行融合。在SlowFast中，视频节奏的差异通过Slow pathway和Fast pathway引入的不同间隔的帧来体现。

DTPN²以不同FPS对视频进行采样，构建自然的时域金字塔，如下图所示。此外，DTPN还采用两分支的层次结构来处理多尺度时间特征，并且还引入了局部和全局的时间语境。（看起来挺有意思，也很复杂，限于篇幅就不展开讲啦）

SlowFast和DTPN都是在输入层进行不同时间尺度的采样来构建时域金字塔，这样要采样并处理很多帧，其中很大一部分可能是重复的特征提取工作，这样增加了很多计算量。本文的主要改进之一就是改为在特征层次来处理时域信息的差异，这样就能够做到单一网络处理所有信息，同时只需要在输入层以单一的速率进行采样，省去了输入层复杂的处理工作。

网络结构

接下来映入眼帘的就是这么一张大图：

看起来结构式蛮复杂的，不要慌，我们结合图示文字先自己分(nao)析(bu)一波，回头再去论文里结合细节看看我们分析的对不对。

• 首先网络的输入是一个 $H*W*T$ 的视频切片， $H,W,T$ 分别代表视频的高度、宽度和时间维的长度也就是帧数；
• 接下来是Backbone，也就是骨干网络。Backbone负责提取特征，并且将不同尺度的特征图输入到一面一个环节。
• Spatial Modulation，在空间域进行调制，我们看到图中不同颜色的方框变成了同样的大小，也就是把不同尺度的特征图进行降采样到同一尺度，方便后续处理。
• Temporal Modulation，在时间域进行调制。在通道维度进行下采样，这样就获得了不同速率的视频节奏信息，有了时域金字塔的雏形。
• Information Flow，和特征金字塔类似，进行特征聚合，以增强和丰富层次的表示。
• Final Prediction，最后把所有通道的信息拼接到一起，进行预测。
  好了，本次的论文解析就到这里了 （大雾）网络结构通过作者的一张图示能够很清楚的看到，但是有很多细节我们并不清楚，需要去论文甚至代码中去寻找。譬如Temporal Modulation是怎么做的，Information Flow又是怎么聚合的？作者设计网络结构的时候踩过那些坑？

Feature Source of TPN

Collection of Hierarchical Features

作者是如何获得时域的层次特征呢？

• 第一种想法是非常naive的。从网络的某一层输出特定尺度的特征，然后直接在帧取样上做文章，采样多就代表高频的、速率快的动作，采样少就代表低频的、速率慢的动作：
  $\lbrace r_1,\dots,r_M;r_1<r_2<\dots <r_M\rbrace$
  在上述公式中，以M个不同的采样帧率（ $r$， rate）进行采样，分别送到后续的特征提取网络中，有：
  $\lbrace F^{1}_{base},\dots,F^{M}_{base}\rbrace$
  因为我们固定从网络的某一层输出特征，也就是特征的 $H,W$ 维度是一致的，这样融合不同帧率的时域特征是较为简单的，但是空域的语义信息较为缺乏，如下式所示：
  $\lbrace C \times \frac{T}{r_1} \times W \times H , \dots, C \times \frac{T}{r_M} \times W \times H \rbrace$

• 第二种就是之前提到的，在不同的层输出不同尺度的特征，这样和特征金字塔一样，包含了不同尺度的语义特征，如下式所示：
  $\lbrace F_{1},F_{2},\dots,F_{M} \rbrace$
  与之对应的维度大小为：
  $\lbrace C_1 \times T_1 \times W_1 \times H_1 , C_2 \times T_2 \times W_2 \times H_2 ,\dots, C_M \times T_M \times W_M \times H_M , \rbrace$
  其中，从 $1$到 $M$代表从底层到高层的不同尺度特征， $C,T,W,H$的维度也随之缩小。因此我们必须小心地处理维度的变化。

Spatial Semantic Modulation

在这里作者提到要注意在Spatial Modulation部分引入监督，提高语义表达能力：

Information Flow of TPN

作者提到了四种不同的聚合方式，其中并行方式效果最好。这块实现起来应该是非常麻烦的，后续的复现过程中需要仔细拜读一下作者的代码。

实现与实验

对比实验

这是一个基于3D骨干网络的实现，涨点明显。

基于TSN的实现提升更大：

消融实验

从不同的层输出特征：

不同的聚合方式：

在不同的部位加入TPN：

（包饺子ing） 今天的分享先到这里啦，后续再补充。