未分类 · 2021年10月28日

ICCV 2021 Oral | 清华提出AdaFocus:利用空间冗余性实现高效视频识别

转载自:AI科技评论   作者 | 王语霖

本文主要介绍我们被ICCV-2021会议录用为Oral Presentation的一篇文章:Adaptive Focus for Efficient Video Recognition。代码和预训练模型已经在Github上面放出,欢迎大家试用和吐槽。

太长不看版:现有高效视频识别算法往往关注于降低视频的时间冗余性(即将计算集中于视频的部分关键帧),如图1 (b)。本文则发现,降低视频的空间冗余性(即寻找和重点处理视频帧中最关键的图像区域),如图1 (c),同样是一种效果显著、值得探索的方法;且后者与前者有效互补(即完全可以同时建模时空冗余性,例如关注于关键帧中的关键区域),如图1 (d)。在方法上,本文提出了一个通用于大多数网络的AdaFocus框架,在同等精度的条件下,相较AR-Net (ECCV-2020)将计算开销降低了2.1-3.2倍,将TSM的GPU实测推理速度加快了1.4倍。

图1 AdaFocus与现有方法的对比

-1-

Introduction (研究动机及简介)

相较于图像,视频识别是一个分布范围更广、应用场景更多的任务。如下图所示,每分钟,即有超过300小时的视频上传至YouTube;至2022年,超过82%的消费互联网流量将由在线视频组成。自动识别这些海量视频中的人类行为、事件、紧急情况等内容,对于视频推荐、监控等受众广泛的实际应用具有重要意义。

图2 在线视频的规模

近年来,已有很多基于深度学习的视频识别算法取得了较佳的性能,如TSM、SlowFast、I3D等。然而,一个严重的问题是,相较于图像,使用深度神经网络处理视频通常会引入很大的计算开销。如下图所示,将ResNet-50应用于视频识别将使运算量(FLOPs)扩大8-75倍。

图3 视频识别模型计算成本较高

因此,一个关键问题在于,如何降低视频识别模型的计算开销。一个非常自然的想法是从视频的时间维度入手:一方面,相邻的视频帧之间往往具有较大的相似性,逐帧处理将引入冗余计算;另一方面,并非全部视频帧的内容都与识别任务相关。现有工作大多从这一时间冗余性出发,动态寻找视频中的若干关键帧进行重点处理,以降低计算成本,如下图所示。

图4 基于时间冗余性的高效视频识别

但是,值得注意的一点是,我们发现,目前尚未有工作关注于视频中的空间冗余性。具体而言,在每一帧视频中,事实上只有一部分空间区域与识别任务相关,例如下图中的运动员、起跳动作、水花等。

图5 视频帧的空间冗余性

出于这一点,本文以回答图6中的两个问题作为主线:

  1. 空间冗余性是否可以用于实现高效视频识别?假如我们能找到每一视频帧中的关键区域,并将主要的计算集中于这些更有价值的部分,而尽可能略过其他任务相关信息较少的区域,理论上,我们就可以显著降低网络的计算开销(事实上,我们之前基于单张图像验证过类似做法的效果:NeurIPS 2020 | Glance and Focus: 通用、高效的神经网络自适应推理框架:https://zhuanlan.zhihu.com/p/266306870)。
  2. 空间、时间冗余性是否互补?若上述假设成立的话,它应当可与现存的、基于时间冗余性的工作相结合,因为我们完全可以先找到少数关键帧,再仅在这些帧中寻找关键的图像区域进行重点处理。
图6 使用空间冗余性进行高效视频识别

-2-

Method (方法详述)

首先为了回答问题1,我们设计了一个AdaFocus框架,其结构如下图所示

图7 AdaFocus 网络结构

此处我们假设视频帧按时间次序逐个输入网络,AdaFocus使用四个组件对其进行处理,

AdaFocus的训练分为三个阶段。在第一阶段,我们移除策略网络Π,随机选取局部patch,训练网络的分类部分最小化交叉熵损失,如下图所示。这一阶段意在训练网络从随机的patch序列中自适应提取信息,我们进而便可以根据分类部分网络的行为判断不同patch的重要性。

图8 训练阶段1

在第二阶段,我们引入随机初始化的策略网络 Π,将之建模为智能体(agent),固定分类部分,以强化学习算法对Π进行训练,优化目标为最大化折扣奖励函数。

图9 训练阶段2

关于强化学习的具体细节,请参见我们的paper。粗略而言,我们将选择patch建模为一个在若干个候选patch上的多类离散分布,每一类别的概率由策略网络 Π 的输出决定。训练时,我们随机从这个分布中采样出一个动作,并得到一个对应的奖励函数值(reward),reward较大的动作将受到鼓励,reward较低的动作则将受到抑制。我们将reward的值定义为给定动作在标签类别上的confidence上升的效果与随机选择patch所得效果的比较。

图10 策略网络的训练方法

在第三个阶段,我们固定阶段二学到的patch选择策略,对AdaFocus的分类部分进行微调。这一阶段并非必须,但可以些微提升网络的分类性能。

图11 训练阶段3

到目前为止,AdaFocus对每一帧视频花费的计算量是均等的,换言之,其只建模了空间冗余性。为了探索空间、时间冗余性是否互补的问题,我们提出了增强版本的AdaFocus,AdaFocus+。具体而言,我们加入了一个与 Π结构完全相同的策略网络 Π‘ ,用于判断对于每一帧视频是否激活 fl 处理由 Π选择出的局部patch,如下图所示。

图12 AdaFocus+

可以在训练阶段二中, Π  的训练完成后采用与其相同的强化学习算法进行训练。Π 的输出决定了一个二分类分布(Bernoulli distribution)的参数,训练时,我们随机从该分布中采样,并在采样得激活 fl 时将该操作所带来的标签类别上的confidence上升的效果与激活 fl的计算开销进行比较。只有当这一比较结果为正时,激活 fl 这一动作才会得到鼓励。

关于AdaFocus和AdaFocus+的更多细节,由于比较繁杂,不在这里赘述,可以参阅我们的paper~

-3-

Experiments (实验结果)

  • 与其他高效视频识别框架的比较(基于ActivityNet)
图13 ActivityNet
  • 在FCVID和Mini-Kinetics上的结果
图14 FCVID, Mini-Kinetics
  • 基于TSM部署AdaFocus的结果,包含理论计算开销、CPU和GPU的实际测速结果
图15 AdaFocus-TSM在something-something V1, V2上的实际效果
  • AdaFocus的可视化结果,绿色方框代表我们的方法在每一帧选择的patch,可见AdaFocus成功定位到视频帧中的任务相关区域,例如帆船、自行车、做三明治的手部动作、摩托、长笛、运动员等。
图16 可视化结果
  • 关于网络结构设计的细节、奖励函数的设计、习得patch选择策略的有效性,我们还提供了详尽的消融实验(Ablation Study)结果,细节请参阅我们的paper。

-4-

Conclusion(结语)

总结来说,这项工作的贡献点在于:

(1)在现有的基于时间冗余性的方法之外,思考利用空间冗余性实现高效视频识别;

(2)基于强化学习,提出了一种在理论上和实测速度上效果都比较明显的通用框架,AdaFocus;

(3)在五个数据集上进行了实验,包括与其他通用框架的比较和部署于现有高效识别网络(例如TSM)上的效果等。

欢迎大家follow我们的工作~。

@InProceedings{Wang_2021_ICCV,

author = {Wang, Yulin and Chen, Zhaoxi and Jiang, Haojun and Song, Shiji and Han, Yizeng and Huang, Gao},
title = {Adaptive Focus for Efficient Video Recognition},
booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)},
@InProceedings{Wang_2021_ICCV,
    author = {Wang, Yulin and Chen, Zhaoxi and Jiang, Haojun and Song, Shiji and Han, Yizeng and Huang, Gao},
     title = {Adaptive Focus for Efficient Video Recognition},
 booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)},
     month = {October},
      year = {2021}
}