原文：https://zhuanlan.zhihu.com/p/46804541
代碼：https://github.com/cypw/PyTorch-MFNet
行爲識別/視頻分類 是視頻理解領域的重要方向。之前該方向的深度學習方法大致可以分爲兩個大類：一類是雙流網絡，即以rgb圖像和光流圖像作爲2D網絡兩個分支的輸入，再在網絡的某處進行融合，典型的如TSN；另一類則是將多幀RGB圖像看做是3D輸入，然後使用3D卷積網絡進行處理，典型的如C3D,I3D,ARTNet等（當然也可以將光流作爲3D網絡的輸入從而進一步提高效果的）。雙流類方法的問題主要在於要提取光流，耗時比較多，在實際的場景中很難應用起來。所以近兩年的論文更多集中在3D網絡的研究上，3D類方法此前的問題主要有兩方面，一是3D卷積核的計算開銷比較大，二是在效果上還是距離雙流類方法還是有一定的距離。
ECCV-2018上，新加坡國立大學，FAIR 和 360AI 實驗室合作發表了“Multi-Fiber Networks for Video Recognition”[1], 代碼見PyTorch-MFNet. 這篇論文主要針對3D網絡的第一個問題進行了研究，具體而言，這篇論文的目的是要在保持網絡效果的同時（主要對標I3D-RGBmodel），大幅度降低網絡的FLOPs，從而提高網絡的效率，使3D網絡能夠獲得更多的應用場景。這篇文章提出的網絡結構有點像不帶channel shuffle 模塊的ShuffleNet，其核心思想還是利用Group Conv來降低網絡的計算開銷。之前似乎沒啥參考 mobile類模型思路來做video classification的工作，而計算量對於3D類網絡又是比較重要的核心的瓶頸，所以這篇工作還是很有參考價值的。下面開始介紹文章內容，如有不足煩請指正。
Motivation
這篇文章的核心motivation就是認爲目前的sota的3D網絡（比如I3D以及R(2+1)D-34網絡）的計算量FLOPs都太高了。常用的2D 卷積網絡如resnet-152或是vgg-16網絡大概是10+ 的GFLOPs，而剛剛提到的兩種3D卷積網絡則達到了100+ GFLOPs。作者認爲，當計算量相近的時候，由於3D網絡模型能額外的學習到時空信息，clip-based 的模型（即指3D網絡）應該要能比frame-based的模型（即指2D網絡）有更好的效果。所以，這篇文章的目標就是在保持現有sota的3D模型的效果的同時，大大提高其網絡效率。
多纖維網絡
在方法部分，作者首先介紹了多纖維模塊(Multi-Fiber Unit)的原理，然後在2D網絡上實驗了多纖維結構的有效性，最後將其推廣到了3D網絡上去。
多纖維模塊
這張圖介紹了從resnet到多纖維模塊的變化過程。(a) 中的結構即是一個簡單的殘差模塊；(b) 中的則爲Multi-Path類型的bottleneck模塊，比如ResNeXt就採用了該結構。在該結構中，前後均爲一個1x1的卷積進行降維和升維，中間則將通道進行分組，分別用幾個3x3卷積核進行處理。這樣的處理可以大大降低中間層的計算量，但是1x1卷積層依舊有很大的計算量。所以這篇文章提出進行更加徹底的分組，即將整個殘差模塊按照通道切片成多個平行且獨立的分支(稱爲fiber，纖維)，如(c)所示。c中的結構在輸入和輸出通道數量一致的情況下，可以將理論計算量降低到N分之一，此處N爲分支或者說是纖維的數量。這種更加徹底分組的加速思路和去年的ShuffleNet其實也有些像，區別在於ShuffleNet中還提出了channel shuffle的模塊，且在中間層採用了depth-wise conv。
如(c)所示的結構雖然效率提高了很多，但通道間缺乏信息交換，可能會損害效果。所以該文進一步提出了一個Multiplexer模塊用來以殘差連接的形式結合纖維之間的信息。該模塊實際上是一個兩層的1x1卷積，第一個卷積會將通道數量降低到k分之一，第二個卷積再升維，因此該模塊的計算量是一層1x1卷積的k/2分之一。不過，在文章中好像沒看到作者具體設置的k值。
多纖維結構有效性的驗證
接下來，作者通過在ImageNet-1k數據集上的圖片分類實驗來驗證所提出的多纖維結構的有效性。這裏主要有兩種形式，一是基於ResNet-18和MobileNet-v2的baseline，將其中的模塊替換爲多纖維模塊（這裏具體的實現細節不是很確定）；二是重新設計了一個2D MF-Net，具體網絡結構可以見論文。實驗結果如下所示。
通過這個表格裏面的實驗結果可以看出。多纖維結構在MobileNet-v2和ResNet-18上可以在少量降低計算量和參數量的情況下，提高一定的效果，表明了多纖維模塊的有效性。而MF-Net也在參數和計算量較低的情況下達到了不錯的效果。最後一欄實驗則表明了Multiplexer模塊大概會佔據30%的計算量，但對效果的提升也是比較明顯的。
3D-多纖維網絡
在確認了提出的多纖維模塊的有效性後，本文就將多纖維結構推廣到了3D網絡上，並提出了3D MF-Net。3D MF-Net的模塊結構和網絡結構如下圖所示：
可以看出，3D和2D的多纖維模塊結構基本一致，只是將卷積的維度升到了三維。爲了降低計算量，兩層卷積只有一層進行了時序上的卷積。
實驗內容
在實驗部分，本文主要做了trained from scratch以及fine tuned兩類實驗，分別對應Kinetics以及 UCF101，HMDB51數據集。
視頻分類-Trained from Scratch
在Kinetics數據集上，MF-Net以比之前3D模型低非常多的FLOPs達到了更好的效果。
視頻分類-Fine-tuned Models
在這部分實驗中，先將模型在大數據集（Kinetics)上訓練，再在小數據集( UCF-101, HMDB51)上進行finetune。從實驗結果可以看出，MF-Net以較小的計算量達到或超過了目前sota的效果。題圖則更加可視化的展現了計算量和效果的關係圖，可以看出MF-Net較好的佔據了左上角的位置，即以較小的計算量達到sota的效果。
論文小結
這篇文章主要是進一步優化了Multi-Path模塊的結構，並將其用於了3D卷積網絡，從而大大提高3D卷積網絡的效率。在效率大大提高後，其實也更有利於我們繼續將網絡做的更復雜更有效，像之前的I3D的效率實在太差了，很難進一步增加複雜度（當然另外一方面也給大家提供了很多優化空間和寫論文空間...)。一方面通過引入網絡加速技巧對模型速度進行優化，一方面通過增加網絡對時序建模的能力來對模型效果進行提高 應該是未來3D網絡研究更平衡的一種發展道路吧。
本文投稿於AI科技評論公衆號, 未經許可請勿轉載。
參考文獻
[1]Chen Y, Kalantidis Y, Li J, et al. Multi-Fiber Networks for Video Recognition[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 352-367.
[2] Xie S, Girshick R, Dollár P, et al. Aggregated residual transformations for deep neural networks[C]//Computer Vision and Pattern Recognition (CVPR), 2017 IEEE Conference on. IEEE, 2017: 5987-5995.
[3] Carreira J, Zisserman A. Quo vadis, action recognition? a new model and the kinetics dataset[C]//Computer Vision and Pattern Recognition (CVPR), 2017 IEEE Conference on. IEEE, 2017: 4724-4733.