作者 | 王语霖
本文主要介绍我们被ICCV-2021会议录用为Oral Presentation的一篇文章：Adaptive Focus for Efficient Video Recognition。代码和预训练模型已经在Github上面放出，欢迎大家试用和吐槽。
论文链接：https://arxiv.org/pdf/2105.03245.pdf
代码和预训练模型链接：https://github.com/blackfeather-wang/AdaFocus
B站视频简介：https://www.bilibili.com/video/BV1vb4y1a7sD/
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。
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。
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。
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。
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。
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：
- 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）。
- 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。
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
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
（t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。
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。
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。
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。
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。
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）
图13 ActivityNet
- 在FCVID和Mini-Kinetics上的结果
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
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。
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。
4
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~。
代码语言：javascript复制@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/
