<mark id="oztn4"></mark>
0
| 本文作者： 奕欣 | 2018-07-23 15:33 |
雷鋒網(wǎng) AI 科技評論按：本文為美圖云視覺技術(shù)部門的 ECCV 2018 錄用論文解讀。
以往注意機(jī)制模型通過加權(quán)所有局部特征計算和提取關(guān)鍵特征，忽略了各局部特征間的強(qiáng)相關(guān)性，特征間存在較強(qiáng)的信息冗余。為解決此問題，來自美圖云視覺技術(shù)部門和中科院自動化所的研發(fā)人員借鑒 PCA（主成分分析）思想，提出了一種引入局部特征交互感知的自注意機(jī)制模型，并將模型嵌入到 CNN 網(wǎng)絡(luò)中，提出一個端到端的網(wǎng)絡(luò)結(jié)構(gòu)。該算法在多個學(xué)術(shù)數(shù)據(jù)集和美圖公司內(nèi)部工業(yè)界視頻數(shù)據(jù)集上的行為分類表現(xiàn)都非常出色。基于該算法思想的相關(guān)論文「Interaction-aware Spatio-temporal Pyramid Attention Networks for Action Classification」已被 ECCV2018 收錄，下文將從背景、核心思想、效果和應(yīng)用前景幾個方面進(jìn)行介紹。
深度卷積神經(jīng)網(wǎng)絡(luò)中，特征圖里相鄰空間位置的局部通道特征，往往由于它們的感受野重疊而具有很高的相關(guān)性。自注意機(jī)制模型通常利用每個局部特征內(nèi)部元素的加權(quán)和（或其他函數(shù)）來獲得其權(quán)重得分，此權(quán)重用于加權(quán)所有局部特征獲取關(guān)鍵特征。盡管局部特征之間具有很高的相關(guān)性，但此權(quán)重計算并沒有考慮到它們之間的相互作用。
PCA 可以提取全局特征主要維度的主成分信息，而這些主成分信息可以看作是提取的局部特征，最后降維后的全局特征即是關(guān)鍵局部特征的集合。注意機(jī)制的目的是從局部特征集合中提取關(guān)鍵部分，也就是 PCA 中的局部特征。不同的是注意力機(jī)制使用每個局部特征對應(yīng)的加權(quán)得分來計算最終的全局特征。PCA 利用協(xié)方差矩陣來獲得降維（或加權(quán)權(quán)重）的基向量，從而減少特征間的信息冗余和噪聲。基于以上背景，該團(tuán)隊使用 PCA 來指導(dǎo)提出的注意力模型，并通過將 PCA 算法轉(zhuǎn)換成損失設(shè)計實現(xiàn)。此外，由于深度網(wǎng)絡(luò)中的不同層可以捕獲不同尺度的特征圖，算法使用這些特征圖來構(gòu)造空間金字塔，利用多尺度信息來計算每個局部通道特征更精確的注意力分?jǐn)?shù)，這些權(quán)重得分用于在所有空間位置中對局部特征進(jìn)行加權(quán)。
二、核心思想
本論文定義了一個新的交互感知時空金字塔注意力層，以此實現(xiàn)輸入在深度卷積神經(jīng)網(wǎng)絡(luò)中各個層的不同尺度局部特征的交互感知和時空特征融合的功能。它的架構(gòu)如上圖所示，算法首先定義了一個下采樣函數(shù) R, 將不同層的特征圖統(tǒng)一到一個尺度。接著對不同尺度的特征圖的局部通道特征使用注意力機(jī)制進(jìn)行關(guān)鍵特征提取，通過使用融合函數(shù)對不同尺度的特征進(jìn)行融合，并計算每個局部特征的注意力得分，用于加權(quán)特征。
在 PCA 中使用協(xié)方差矩陣計算投影向量并依此進(jìn)行降維，即提取關(guān)鍵的局部特征，本論文將其轉(zhuǎn)化損失函數(shù)的設(shè)計加入到最終的模型中：
再對提出的空間金字塔注意力模型進(jìn)行約束，使其不同尺度層的特征圖盡量關(guān)注到不同的信息，加入分類損失得出最終的損失函數(shù)：
論文提出的模型參數(shù)與輸入特征圖的數(shù)目無關(guān)，因此，自然地將其拓展到視頻級端到端訓(xùn)練的時空網(wǎng)絡(luò)，最終的網(wǎng)絡(luò)結(jié)構(gòu)定義如下圖：
研發(fā)人員將提出的基于交互感知的時空金字塔注意力機(jī)制神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于美圖公司的視頻相關(guān)業(yè)務(wù)進(jìn)行人物行為分類，效果表現(xiàn)優(yōu)異。除此之外在公開數(shù)據(jù)集 UCF101、HMDB51 和無裁剪行為數(shù)據(jù)庫 Charades 上進(jìn)行了評測，也取得了領(lǐng)先效果，結(jié)果如下圖所示 ：
此外，該論文對視頻時空輸入進(jìn)行了評測，評測結(jié)果顯示出該模型能夠同時處理任意數(shù)量的視頻幀輸入，并取得較好的實驗結(jié)果。
上圖給出了該算法在進(jìn)行行為分類時的可視化輸出結(jié)果，可以看出該算法能夠?qū)σ曨l中關(guān)鍵的行為進(jìn)行精確定位。
實際應(yīng)用中，業(yè)務(wù)場景對算法的運(yùn)行時間要求較嚴(yán)苛。本論文在公開數(shù)據(jù)集上的結(jié)果均通過截取視頻中的多幀得到，時間復(fù)雜度較高，后續(xù)會以降低算法時間復(fù)雜度為目標(biāo)對核心模塊進(jìn)行優(yōu)化。值得注意的是，本論文提出的空間金字塔注意力模型不受其輸入特征圖數(shù)量的限制，因此它很容易擴(kuò)展到一個可以兼容任意數(shù)量的輸入幀的時空版本，在應(yīng)用中可以在分類準(zhǔn)確率幾乎不受影響的前提下，通過減少截幀數(shù)提升處理速度。
