CVPR2018精选#2: 视频分析的非局部(non-local) 神经网络模块，CMU与Facebook AI研究室视频分类识别新贡献

拥有什么，决定了你只能迷恋什么 — David 9

很大程度上，目前的芯片工艺和技术，决定了人类只能迷恋神经网络这样的方案（高于传统机器学习一个计算级别）。就像进入铁器时代，人们才能方便地砍伐森林、挖掘矿山、开垦土地（如果在青铜时代就别想了）。

在铁器时代，对铁器的改进很受欢迎；正如今年CVPR上大神Kaiming He和Xiaolong Wang 的文章试图改进神经网络工具去“开垦”视频分析 这片土地。

我们知道视频和图片的区别无非是多了时间的维度（time，视频的帧）。最直觉的做法是先用cnn，再用擅长时间序列的rnn；或者，直接用3D卷积去做。而实际情况是直接用3D卷积效果不是最好，于是有人用两个cnn去做（一个cnn分析时间，一个cnn分析空间），或者另外用一个分析轨迹（trajectories）的模块去加强时空感。

而非局部(non-local) 模块把非局部感受野的信息提取操作做成一个神经网络模块，方便了端到端的视频分析：

这个模块输入x可以理解为32帧的视频（32张图片帧数 T=32，长宽为H×W），输出z也是H×W大小的特征图。有没有注意到最左端的箭头是一个跳层连接？没错，non-local模块就是把视频额外的时空信息提取作为一个残差操作，这样整个模块可以任意插入到一个残差网络resnet中：

事实上，残差信息就是要学习一些额外的信息，下面画出红线的就是学习残差信息的部分：

上述non-local模块是依据下面公式给出的：

之所以叫做non-local模块，是对比卷积操作的局部感受野而言的，其中xi，xj 可以理解为不同帧i和j 的两张图片：

我们要知道这段视频是一个“踢球”的Action，我们对每一帧分析时要知道两个点：

关键点1. 与这一帧的关联性比较高的其他帧是哪些？上式中关联度的标量计算由f 函数给出：

f 函数度量两和位置之间的相关度，用高斯函数或点乘等操作都可以达到计算的效果，文章也指出，用各种方式计算，其实差别并不大：

关键点2. 这些关联性比较高的帧，可能在做什么是什么Action？这就需要上式的g 函数计算得到在xj 处的图像特征。其实仔细一开始的模块图，就可以发现其实这里的函数 g，超参数θ和Φ 都是用1×1的卷积去计算的。

注意到公式中j 是对每个位置的xj 都一一对比，所以该模块被称之为非局部（non-local）模块。

文章中的实验是基于ResNet-50 的卷积2D网络（C2D），数据集采用谷歌deepmind的Kinetics人体行为视频数据集。网络架构如下：

输入视频为32×224×224（32帧，长宽为224×224）。其中大的方括号中是一个残差块（Residual blocks），“×3”代表3个残差块组成的res2阶段的组。文章中称一组残差块为一个阶段（stage），如上图res2阶段有3个残差块，到了res3有4个残差块，而到了较后层的res4阶段，有6个残差块（不要以为阶段stage是训练的不同阶段。它其实是在网络的不同深度而已）。文章也指出把non-local模块放在不同阶段的位置，网络性能也有差异，最好不要放在最后res5那一层之后，因为到了res5之后的特征图空间已经比较小，学习不到太多空间关系了：