视频理解学习笔记（四）
- 3D CNN
- C3D
- I3D
- Non-local算子 （Self-attention替换掉LSTM）
- R (2 + 1) D
- SlowFast
- Video Transformer
- TimeSformer
- 总结
- Reference
3D CNN
双流的缺点：光流抽取太慢——tvl one算法，0.06s抽取一个光流帧；消耗空间
3D Conv：同时学习空间和时间信息
C3D
论文地址：Learning Spatiotemporal Features with 3D Convolutional Networks_ICCV’15 from FAIR and Dartmouth College
用3D网络来学习时空特征。A simple, yet efficient approach for spatiotemporal feature learning using deep 3-dimensional convolutional networks (3D ConvNets) trained on a large scale supervised video dataset (sports 1M).
不是第一个用3D卷积做视频理解，但是第一个用大规模数据集和更深的网络，达到了比较好的效果。
CSD是指fc6抽取出来的特征，叫做C3D特征。作者给出了现成的实现，给定视频，可以直接返回1 * 4096的C3D特征。
和DeepVideo的区别：直接用3D卷积来处理视频
实验：
I3D
论文概览_CVPR’17
降低了网络训练的难度（如何从2D网络inflate成3D网络，如何利用预训练好的2D模型初始化3D模型bootstrap），提出了Kinetics-400数据集
I3D和C3D的区别：虽然两者都是用3D卷积做处理，但是C3D仅仅是在参考2D模型做3D设计，没办法将2D的模型迁移到3D；而I3D本质上是一个迁移学习，将2D模型和参数inflate到3D，从而实现3D卷积。
实验：
- 证明了2D迁移到3D的有效性。
Non-local算子 （Self-attention替换掉LSTM）
论文地址：Non-local Neural Networks_IEEE’18 by Xiaolong Wang, Ross Girshick, Abhinav Gupta, Kaiming He from CMU and FAIR
Non-local是一个可以即插即用（plug and play）的模块（building block），用来建模长距离信息。
Non-local算子：
其实就是将自注意力（self-attention）模块从2D转化（膨胀，inflate）成了3D。
消融实验：
点积最好（transformer本来就用的点积）
在
r
e
s
5
res_{5}
res5上加的效果最差：可能是因为该层特征图已经很小了，空间信息不充分。
考虑到non-local算子的开销，作者只在
r
e
s
3
res_{3}
res3和
r
e
s
4
res_{4}
res4上应用了non-local算子。
说明non-local算子确实有用。10-block：resnet的结构是3、4、6、3，只在
r
e
s
3
res_{3}
res3和
r
e
s
4
res_{4}
res4加non-local算子。
证明【时】【空】注意力是有效的（因为transformer本身是融合空间信息）。
证明non-local在长时序建模上是有效的。
和其他模型对比：
R (2 + 1) D
实验性论文，研究时空卷积到底怎么做比较好。
出发点：对视频用2D卷积一帧一帧抽取特征的效果也很好，而3D卷积计算昂贵，能否使用2D卷积代替部分3D卷积。
- 先2D再3D
- 先3D再2D
- ……
结论：拆分成空间上的2D + 时间上的1D
论文地址：A Closer Look at Spatiotemporal Convolutions for Action Recognition_CVPR’18 from Facebook Research and Dartmouth College
方法：
模型确实更容易训练了：
结果对比：
R (2 + 1) D的结果不比I3D好。主要亮点在于参数大大减少，训练速度更快。输入是112 * 112，对显存友好。
SlowFast
论文地址：SlowFast Networks for Video Recognition_ICCV’19 by Christoph Feichtenhofer, Haoqi Fan, Jitendra Malik and Kaiming He from FAIR
启发：人的视觉系统中有两种细胞，一种叫P细胞，一种叫M细胞。其中P细胞占据80%，主要负责处理静态图像；M细胞负责处理高频运动信息。和双流系统类似。将以上内容借鉴到3D网络上。
方法：
- 慢分支（Slow Pathway）：隔得比较远抽帧，且该分支网络较大（标准的I3D网络）。
- 快分支（Fast Pathway）：隔得比较近抽帧，且该分支网络较小。
- 最后将两个分支的信息融合起来。
实验结果：
精度高，推理高效，但训练时间依旧很长。
Video Transformer
TimeSformer
第一篇将ViT从图像迁移到视频的实验性paper，能处理超过1min的视频。
Is Space-Time Attention All You Need for Video Understanding_ICML’21 from FAIR and Dartmouth College.
方法：
上述方法的可视化理解：
实验结果：
总结
- Beyond Short Snippets：LSTM
- TDD：按照光流轨迹去做叠加
- TSN：把长视频分成短的clip
- I3D：Inflate和K400
Reference
Bilibili-视频理解论文串讲（下）
