R-C3D 视频活动检测的经典算法

目录
- 论文信息
- 主要贡献
- 存在问题
- 基本思想
- 关键原理
- 实验结果
- - Experimentson THUMOS'14
  - Experimentson ActivityNet
  - Experimentson Charades
- 结论

论文提出了活动检测模型，即R-C3D,这是一种端到端活动检测模型，结合活动建议和分类阶段，可以检测任意长度的活动。
通过在建议生成（proposal generation）和网络分类部分之间共享全卷积的C3D特性，实现快速检测速度（比当前方法快5倍）；
对三个不同的活动检测数据集进行了大量的评估，证实了该文提出的模型具有普遍适用性。

存在问题

连续视频中的活动检测是一个具有挑战性的问题，不仅需要识别，还需要及时准确地定位活动。当前存在的方法在处理连续视频流的活动检测时，存在以下问题：

这些现成的表示可能不适合在不同视频域中进行定位活动，从而导致性能的地下。
现有方法依赖外部建议或全面的滑动窗口，导致计算效率地下。
滑动窗口无法轻松的预测灵活的活动边界。

基本思想

受目标检测方法FasterR-CNN的启发，论文中提出了一种区域卷积3D网络（RegionConvolutional 3D Network,R-C3D）如上图,该方法先进行3D全卷积网络对视频帧进行编码处理，之后提取活动时序片段（actionproposal segments）,最后在分类子网络（action classificationsubnet）并对结果进行分类和细化。

关键原理

该网络可以用于连续视频流中进行活动检测。其网络结构图如下，由3各部分组成，共享的3D ConvNet特征提取器，时间建议阶段（temporalproposal stage）以及活动分类和细化阶段。

为了实现高效的计算和端到端训练，建议和分类子网共享C3D特征映射。这里的一个关键创新是将Faster R-CNN中的2D RoI pooling扩展到3D RoI pooling,这样做的好处就是，该文的模型能够提取各种分辨率的可变长度建议框的特征。

论文中通过共同优化两个子网的分类和回归任务来训练网络，Softmax损失函数用于分类，平滑L1损失函数用于回归，所以本文的目标函数结合两部分损失函数为：
Loss=1Ncls∑iLcls(ai,ai∗)+λ1Nreg∑iai∗Lreg(ti,ti∗)Loss=\frac {1} {N_{cls}}\sum_{i} L_{cls}(a_i,a^*_i)+\lambda \frac{1} {N_{reg}}\sum_{i}a^*_{i}L_{reg}(t_i,t^*_i)Loss=Ncls1i∑Lcls(ai,ai∗)+λNreg1i∑ai∗Lreg(ti,ti∗)
上式中NclsN_{cls}Ncls和NregN_{reg}Nreg分别代表批量大小和anchor/proposal段的数量，λ\lambdaλ为损失权衡参数，设置为1，为预测概率，ti={δci^,δli^}t_i=\lbrace {\delta\hat{c_i},\delta\hat{l_i}} \rbraceti={δci^,δli^}表示anchor或proposals的ground truth的坐标变换。其变换如下：
{δci=(ci∗−ci)/liδli=log(li∗/li)\left \{ \begin{array}{c} \delta c_i=(c^*_i-c_i)/l_i \\ \delta l_i=log(l^*_i/l_i) \\ \end{array} \right. {δci=(ci∗−ci)/liδli=log(li∗/li)

实验结果

Experimentson THUMOS’14

Table1是在THUMOS’14上的活动检测结果。在表1中作者在IoU阈值0.1~0.5（表示为a）上对当前存在的方法和R-C3D进行活动检测性能的评估比较。在单向缓冲设置（one-way buffer）的R-C3D,其mAP@0.5为27.0%比当前最先进方法高3.7%。双向缓冲设置（two-waybuffer）的R-C3D的mAP在所有IoU阈值下都有了提高，其中mAP@0.5达到28.9%。

Table2展示了R-C3D与其他方法在数据集THUMOS’14上的每一类的AP(Average Precision)。表中可以看出R-C3D在大多数类别中的AP优于其他方法，在一些活动中甚至超过了20%，比如Basketball Dunk, Cliff Diving等。图(a)显示了在数据集THUMOS’14上的两个视频的定性结果。

Experimentson ActivityNet

表3是在数据集ActivityNet上的检测结果。表3.活动网上的检测结果，以mAP@0.5（百分比）表示。从表中可以看出，R-C3D方法在验证集和测试集上分别优于UPC4.3%和4.5%（在mAP@0.5下）。当训练集和验证集都用来训练时，R-C3D方法的检测结果要比只用训练集训练时高1.6%。
图(b)展示了R-C3D在数据集ActivityNet中具有代表性的结果。

Experimentson Charades

表4是关于在数据集Charades上的活动检测结果。如表4所示，该文的模型优于文献[25]中提出的异步时域模型以及在该文章中报告的不同基准线。

按照标准做法，论文中按照mAP@0.5评估了模型，结果为9.3%，性能与在其他数据集中测试的性能结果不同。这个原因可能是数据集Charades固有的问题，比如室内场景光照强度低，或者数据的标签过多等。
图©展示了R-C3D在数据集Charades中具有代表性的结果。

结论

引入了R-C3D模型，用来活动检测的第一个端对端时间建议分类网络；
在3个大规模的数据集中对该文提出的方法进行了评估，结果展示该文的方法比当前基于3D卷积的模型更快且更准确；
R-C3D还可以假如其他一些特性，以进一步提高活动检测结果。

更多技术干活请关注