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

忘是亡心i 2022-08-28 06:59 49阅读 0赞

作者丨rainforest wang@知乎（已授权）

来源丨https://zhuanlan.zhihu.com/p/416704427

编辑丨极市平台

**导读**

本文介绍了一篇被ICCV2021录用为Oral Presentation的工作，利用空间冗余性实现高效视频识别，提出了一个通用框架AdaFocus：在同等精度的条件下，相较AR-Net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。

本文主要介绍我们被ICCV-2021会议录用为**Oral Presentation**的一篇文章：

![6505dd599ef6e3f01654e82631701519.png][]

Adaptive Focus for Efficient Video Recognition

原文链接：https://arxiv.org/pdf/2105.03245.pdf

代码及预训练模型链接：https://github.com/blackfeather-wang/AdaFocus

B站视频简介：https://www.bilibili.com/video/BV1vb4y1a7sD/

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**。

![6d84252405e0af9012065e987cbe809c.png][] 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**。

![eaf95739568f008bdf1b19d08daa400c.png][] 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**。

![4aa6009e132547b08436e544dde7c64f.png][] 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。

![3790d1314e66255fb5fe7a77519f13ee.png][] 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。

![e23d1dd4e6e42409c499d9595cbe13d8.png][] 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。

![c0aeae9ed4954875a2ef024a926541da.png][] 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

![3cc7710c961fc5ffe31c9a3f96ece4d4.png][] 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，

*  全局CNN（Global CNN）是一个轻量化的卷积网络（例如MobileNet-V2），用于以低成本对每一帧视频进行粗略处理，获取其空间分布信息。
 *  策略网络 （Policy Network）是一个循环神经网络（RNN），以的提取出的特征图作为输入，用于整合到目前为止所有视频帧的信息，进而决定当前帧中包含最重要信息的一个图像小块（patch）的位置。值得注意的是由于取得patch的crop操作不可求导，是使用强化学习中的策略梯度方法（policy gradient）训练的。
 *  局部CNN （Local CNN）是一个容量大、准确率高但参数量和计算开销较大的卷积网络（例如ResNet），仅处理策略网络 选择出的局部patch，由于patch的空间尺寸小于原图，处理其的计算开销显著低于处理整个视频帧。
 *  分类器 （Classifier）为另一个循环神经网络（RNN），输入为和 输出特征的并联，用于整合过去所有视频帧的信息，以得到目前最优的识别结果 （ 表示帧序号）。

AdaFocus的训练分为三个阶段。在第一阶段，我们**移除策略网络**  ，**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**。

![7ce274929763829944ca71b1cd9cc469.png][] 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 ，将之建模为智能体（agent），固定分类部分，以**强化学习**算法对进行训练，优化目标为**最大化折扣奖励函数**。

![edf72f2bc82b2d899ebbe238ae1d2293.png][] 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 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。

![f43170ad782f62bbcba8dde2184f7f0a.png][] 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。

![351a5683c555f1e279d361fc8de42392.png][] 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 结构完全相同的策略网络**  ，用于判断**对于每一帧视频是否激活 处理由 选择出的局部patch**，如下图所示。

![c99ef629ba1f31de1cc4c67dcbc6b6d5.png][] 图12 AdaFocus+

可以在训练阶段二中， 的训练完成后采用与其相同的**强化学习**算法进行训练。 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 时**将该操作所带来的标签类别上的confidence上升的效果与激活 的计算开销进行比较**。只有当这一比较结果为正时，激活 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）

![bfdd333d642c736da0297fb725139fbc.png][] 图13 ActivityNet

*  在FCVID和Mini-Kinetics上的结果

![d017e816e95446add2ddc7a4ef9be994.png][] 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

![e8c3abe77a97a78fb6563a5d186257bf.png][] 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。

![225c1ec919437dac42a85c3f96703cf2.png][] 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。

## **四．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)},
         month = {October},
          year = {2021}
    }

如有任何问题，欢迎留言或者给我发邮件，附上我的主页链接

https://www.rainforest-wang.cool/

本文仅做学术分享，如有侵权，请联系删文。

**下载1**

在「计算机视觉工坊」公众号后台回复：**深度学习**，即可下载深度学习算法、3D深度学习、深度学习框架、目标检测、GAN等相关内容近30本pdf书籍。

**下载2**

在「计算机视觉工坊」公众号后台回复：**计算机视觉**，即可下载计算机视觉相关17本pdf书籍，包含计算机视觉算法、Python视觉实战、Opencv3.0学习等。

**下载3**

在「计算机视觉工坊」公众号后台回复：**SLAM**，即可下载独家SLAM相关视频课程，包含视觉SLAM、激光SLAM精品课程。

##  ##

**重磅！计算机视觉工坊****-学习****交流群****已成立**

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在**交流顶会、顶刊、SCI、EI等写作与投稿事宜。**

**同时**也可申请加入我们的细分方向交流群，目前主要有**ORB-SLAM系列源码学习、****3D视觉**、**CV&深度学习**、**SLAM**、**三维重建**、**点云后处理**、**自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、深度估计、学术交流、求职交流**等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。**原创投稿**也请联系。

![93c72d5d22b7e699f34ba50a43b50cc9.png][]

▲长按加微信群或投稿

![0cfe4d44cbc392fbb0efa0f20cbdd2da.png][]

▲长按关注公众号

##  ##

**3D视觉从入门到精通知识星球**：针对3D视觉领域的**视频课****程（[三维重建系列][Link 1][三维点云系列][Link 2][结构光系列][Link 3]、[手眼标定][Link 4]、[相机标定][Link 5]、[orb-slam3][]****知识点汇总、入门进阶学习路线、最新paper分享、疑问解答**五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

##  ##

![0ffca4272b81fbc622c2d5a34528f5d9.png][]

圈里有高质量教程资料、答疑解惑、助你高效解决问题

**觉得有用，麻烦给个赞和在看~****![5aab5fceb3e4d17add1c56ea4d0989cd.gif][]**

[6505dd599ef6e3f01654e82631701519.png]: /images/20220828/1fd621db282343d79e7c15c873dee4ee.png
[6d84252405e0af9012065e987cbe809c.png]: /images/20220828/0ff842769fb345648ec747c92ef3ec42.png
[eaf95739568f008bdf1b19d08daa400c.png]: /images/20220828/d0b3a6c3c48b49a0a2ad99b50737e76c.png
[4aa6009e132547b08436e544dde7c64f.png]: /images/20220828/98a9e6b14e5d4813a38723462ddd699b.png
[3790d1314e66255fb5fe7a77519f13ee.png]: https://img-blog.csdnimg.cn/img_convert/3790d1314e66255fb5fe7a77519f13ee.png
[e23d1dd4e6e42409c499d9595cbe13d8.png]: https://img-blog.csdnimg.cn/img_convert/e23d1dd4e6e42409c499d9595cbe13d8.png
[c0aeae9ed4954875a2ef024a926541da.png]: https://img-blog.csdnimg.cn/img_convert/c0aeae9ed4954875a2ef024a926541da.png
[3cc7710c961fc5ffe31c9a3f96ece4d4.png]: https://img-blog.csdnimg.cn/img_convert/3cc7710c961fc5ffe31c9a3f96ece4d4.png
[7ce274929763829944ca71b1cd9cc469.png]: https://img-blog.csdnimg.cn/img_convert/7ce274929763829944ca71b1cd9cc469.png
[edf72f2bc82b2d899ebbe238ae1d2293.png]: https://img-blog.csdnimg.cn/img_convert/edf72f2bc82b2d899ebbe238ae1d2293.png
[f43170ad782f62bbcba8dde2184f7f0a.png]: https://img-blog.csdnimg.cn/img_convert/f43170ad782f62bbcba8dde2184f7f0a.png
[351a5683c555f1e279d361fc8de42392.png]: https://img-blog.csdnimg.cn/img_convert/351a5683c555f1e279d361fc8de42392.png
[c99ef629ba1f31de1cc4c67dcbc6b6d5.png]: https://img-blog.csdnimg.cn/img_convert/c99ef629ba1f31de1cc4c67dcbc6b6d5.png
[bfdd333d642c736da0297fb725139fbc.png]: https://img-blog.csdnimg.cn/img_convert/bfdd333d642c736da0297fb725139fbc.png
[d017e816e95446add2ddc7a4ef9be994.png]: https://img-blog.csdnimg.cn/img_convert/d017e816e95446add2ddc7a4ef9be994.png
[e8c3abe77a97a78fb6563a5d186257bf.png]: https://img-blog.csdnimg.cn/img_convert/e8c3abe77a97a78fb6563a5d186257bf.png
[225c1ec919437dac42a85c3f96703cf2.png]: https://img-blog.csdnimg.cn/img_convert/225c1ec919437dac42a85c3f96703cf2.png
[93c72d5d22b7e699f34ba50a43b50cc9.png]: https://img-blog.csdnimg.cn/img_convert/93c72d5d22b7e699f34ba50a43b50cc9.png
[0cfe4d44cbc392fbb0efa0f20cbdd2da.png]: https://img-blog.csdnimg.cn/img_convert/0cfe4d44cbc392fbb0efa0f20cbdd2da.png
[Link 1]: https://blog.csdn.net/DDWDDZY/article/details/105608179
[Link 2]: https://blog.csdn.net/qq_36814762/article/details/117388588
[Link 3]: http://mp.weixin.qq.com/s?__biz=MzU1MjY4MTA1MQ==&mid=2247546284&idx=2&sn=d067a98047192a04f21489aca338a5d6&chksm=fbfc1e98cc8b978e5fb6b2afd1a473c89e2861374542421b9972f87a6fdfcd47eb50c443042e&scene=21#wechat_redirect
[Link 4]: http://mp.weixin.qq.com/s?__biz=MzU1MjY4MTA1MQ==&mid=2247554670&idx=2&sn=cf3323178d5d1960476208e6303a8479&chksm=fbfc3d5acc8bb44c184084dcf447a5981d297815d62bef699129338d99a0472c622f96ee71d8&scene=21#wechat_redirect
[Link 5]: http://mp.weixin.qq.com/s?__biz=MzU1MjY4MTA1MQ==&mid=2247486422&idx=1&sn=381ab793959aed0eb6f01019dea522d4&chksm=fbff20e2cc88a9f456b80e23d2482fb319b08e89da071b39597bc51942a6aa7b756a6749856c&scene=21#wechat_redirect
[orb-slam3]: https://blog.csdn.net/crp997576280/article/details/115690725
[0ffca4272b81fbc622c2d5a34528f5d9.png]: https://img-blog.csdnimg.cn/img_convert/0ffca4272b81fbc622c2d5a34528f5d9.png
[5aab5fceb3e4d17add1c56ea4d0989cd.gif]: https://img-blog.csdnimg.cn/img_convert/5aab5fceb3e4d17add1c56ea4d0989cd.gif