论文阅读笔记——Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset

I3D 论文
UCF-101（13000多个视频）和 HMDB-51（7000多个视频）数据集过小，提出了 Kinetics 数据集，并且在其之上预训练之后能够迁移到其他小的数据集。

• 2D+LSTM：使用2D CNN的好处是可以直接从 Imagenet 的预训练权重迁移过来，并且使用LSTM提取时序特征。流程是，首先使用2D网络分别提取每一帧图像的特征，然后对于所有特征使用 LSTM 来获取帧之间的时序信息。这种方法的优点是可以直接使用2D网络的预训练权重；缺点是只有在LSTM的部分才能够基于高维抽象的特征进行运动信息的提取，损失了很多低等级的运动信息，此外 LSTM 训练时需要在每个 step 都进行反向传播。
• 3D CNN：其优点就是可以同时提取时空信息；缺点也显而易见，即具有更庞大的参数数量从而更难训练，因此一般 3D 网络的深度都较浅，单这样又影响了模型的表达能力，此外，没有办法能够有效的把2D网络的预训练权重迁移到3D网络。
• Two stream：双流网络中一个分支作为 spatial flow，输入RGB图像来提取物体和场景外观特征；另一个分支作为 temporal flow，输入光流来提取运动特征。通常两个网络分开训练，只有在测试时才会平均两个网络的预测。因此，也产生了时空信息在浅层网络中无法有效融合的问题。

Inflate：2D卷积核（和权重）直接复制 N 次得到 3D 卷积核，权重除以 N。
假设我们有一个视频片段，其中的物体移动非常慢，几乎没有运动（比如摄像头拍向一块空地）。我们在这段视频中取一些帧出来，比如取16帧，拼接起来作为3D卷积网络的输入。那么我们可以认为取出来的16帧等价于1帧图像复制16份（视频中几乎没有运动）。
我们来拆分一下 3D 卷积核 h×w×t ，分解成 t 个 h×w 的2D卷积核。这里的 h,w 分别是卷积核的高宽， t 是时间维度的深度，也就是我们把 imagenet 中的1张图像叠加 16 份的 “16”。 h×w 作用在 t=16 上的任意帧时，所提取的空间特征都应该是完全相同的，因为叠加的每一帧都是 1 张图像复制来的。所以把2D卷积核复制N次得到 3D 卷积核，等价于把1张静态图像复制拼接为 boring video ，然后使用 3D 卷积核去预训练是等价的。如果归一化，则改变了下一层卷积的输入特征响应激活值了，所以要对2D卷积核的权重进行归一化， 即除以N。

实验结果