《Learning Spatio-Temporal Representation with Pseudo-3D Residual Networks》算法详解

• 论文: Learning Spatio-Temporal Representation with Pseudo-3D Residual Networks
• 官方代码(caffe): https://github.com/ZhaofanQiu/pseudo-3d-residual-networks
• 非官方(pytorch): https://github.com/qijiezhao/pseudo-3d-pytorch
• 由微软和中科大提出
• 被ICCV2017收录

一、核心创新

• 提出将3D卷积进行时间和空间的拆分来代替一个3D卷积
• 提出了几种变形的残差块
• 提出了P3D(Presudo-3D) ResNet

二、P3D Blocks和P3D ResNet

2.1 3D卷积解耦

3D卷积是同时提取空间信息和时间信息。拿核大小为3 x 3 x 3大小的3D卷积核来说，可以将其自然的解耦为一个1 x 3 x 3大小的卷积核和一个3 x 1 x 1大小的卷积核的组合。解耦的3D卷积称为伪(Pseudo)3D卷积。

2.2 Pseudo-3D Blocks

思想是将3D CNN按照2.1里面的解耦思想改造成P3D CNN，但是需要考虑两点：

• 时间维度和空间维度的计算是否需要直接或者间接的互相关联
• 两种维度的计算是否需要直接与输出关联

基于这两点考虑设计出下面三种P3D CNN：

1.png

又基于上面的三种链接的CNN和原始ResNet Block，提出下列三种P3D Block：

2.png

2.3 Pseudo-3D ResNet

为了检验那种P3D Block效果好，进行如下实验：

• 对于原始的ResNet，使用UCF101视帧进行finetune，输入图片从resized为240 x 320的视频帧中随机截取240 x 240，固定除去第一层BN后的所有BN参数，并且最后加入了droprate为0.9的dropout操作
• 对于原始的ResNet，测试时对每一帧进行预测，然后算平均值
• 其它的三类P3D ResNet参数初始化使用上一步训练好的参数
• P3D ResNet的输入为16 x 160 x 160，来源于从视频中截取不重叠的视频段16 x 182 x 242中随机截取
• 输入片段随机水平翻转
• batch为128
• SGD，lr初始为0.001，每迭代3k除以10，迭代7.5k
• 其它的三类P3D ResNet测试结果计算方法没提

3.png

为了使得P3D Block在网络中多样，文章简单的按照P3D-A→P3D-B→P3D-C顺序进行block替换这种网络就称为P3D ResNet，实验结果在上面表中也有显示。

4.png

其他具体的参数和实验结果详情可以看原文和代码。