论文原称：Zhang B, Wang L, Wang Z, et al. Real-time action recognition with enhanced motion vector CNNs[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016: 2718-2726.
背景：双流卷积网络需要使用光流，而光流计算很费时，在K40GPU上每计算一帧需要60ms，这非常影响它的实时性，为此，本文应运而生。
前提知识：
在图像和视频压缩方面，使用H264协议对图像或视频进行压缩。具体理解如下：对第一帧进行帧内压缩，可得到 I 帧，对第一帧后面的帧进行帧间压缩可得到P帧和B帧。完整编码的帧叫 I 帧，参考之前的 I 帧生成的只包含差异部分编码的帧叫 P 帧（意思就是P帧是表明了某一帧在前一帧的像素变化值，需要通过前一帧和P帧才能得到它的下一帧图像，以此类推得到整个视频图像），还有一种参考前后的帧编码的帧叫 B 帧（这个用的比较广，压缩效率更高，B帧表示前后帧的差异）。本文里提到的motion vection指的就是P帧，即帧间像素变化，I帧是不包含运动信息的，在本文使用前一帧（指的是P帧）来代替遇到的I帧。
主要贡献：
- 提出使用光流CNN（OF-CNN）来训练运动向量CNN（MV-CNN），以实现光流的准确性和运动向量的实时性的结合效果。
- 提出三种训练方法用来结合光流和运动向量，以提高模型实时性
数据集：UCF-101, THUMOS14
模型：用于视频行为识别的双流卷积网络
论文主要思想：
motion vector 是基于比较大的像素块，而optical flow是基于像素点。因此motion vector的识别效果并不好，但计算速度很快，实时性很高，而optical flow刚好相反，识别效果好，计算速度很慢，导致实时性很低。本文主要的内容就是提出三种训练方式来结合OF－CNN和MV－CNN的优点，避免各自的缺点。简称优劣互补。这里OF－CNN和MV－CNN的网络结是一样的。
第一种Teacher Initialization (TI)：由于光流和运动向量都是描述局部区域的信息（光流具体到像素点，运动向量描述的是像素块），因此他们在内在上是相关的。考虑到这点，论文提出使用已经训练好的OF－CNN的参数作为MV－CNN的初始化参数。然后再finetune MV－CNN直到它们融合。
第二种Supervision Transfer (ST)：考虑到使用第一种方式可能会导致在finetune过程中从OF－CNN带过来的语义信息会丢失，因此第二种方式采用OF－CNN的FC Layer监督MV－CNN的训练。这种灵感来源于知识蒸馏，但知识蒸馏更偏重的是在一个小的模型上学到大模型的效果，而此处两个模型的结构是一样的，因此更偏重于让MV－CNN学到OF－CNN的效果，而不是把MV－CNN压缩得很小。
那这里是怎么实现监督的呢？方式如下：
（1）采用softmax计算fc layer的输出，Tn(o) = softmax(T(n−1)(o))，
Sn(v) =softmax(S(n−1)(v))，得到Tn(o)，Sn(o)，（T指的是teacher,即OF－CNN，S指的是student，即MV－CNN，n-1指的是第n-1层,是个下标）。这里之所以使用softmax是为了把输出值映射为各个类别的概率。为了把OF－CNN学到的特征教给MV－CNN，使用下面的交叉熵损失函数 来使得Tn(o)与Sn(o)尽可能地接近。
（2）使用了temp软化fc layer的输出，意思差不多等同于把Hard labels转化为soft labels。具体实施函数是：PT = softmax(T n−1/T emp)， PS = softmax(Sn−1/T emp)
（3）除了考虑到监督的损失函数外，还要最小化MV－CNN的输出与ground truth的差距（公式3）。对于这两个损失函数，采用加权和的方式作为最终的损失函数（公式4）。
第三种Combination(TI+ ST)：简单来说就是先训练OF－CNN，再把训练好的参数传给MV－CNN，这是第一种方式，然后再用第二种方式进行监督训练。
评估：
1.论文对OF－CNN，从零训练的MV－CNN，使用三种方式训练得到的EMV－CNN在两个数据集（UCF－101和THUMOS－14）在精度上进行了效果对比。
结论：使用（这三种训练方式来）增强的motion vector可以减少Temporal CNN中加入motion vector带来的精度损失，但速度是大大提升了，论文提出的方法提高了MV－CNN的泛化能力。
- 在两个数据集上测试了计算motion vector 和optical flow以及同时计算两者的速度。
结论：实时性很好，如果是使用第三种方式，每秒能计算390多帧。
3.采用w = temp^2,temp 取1，2，3。论文对这三个值进行了效果对比，差别不大，精度分别为78.9%, 79.3%, 79.2%。接下来的实验temp 取2。
4.最后，本文的模型是基于双流卷积的，因此还加入了Spatial CNN,组成了EMV+RGB－CNN在两个数据集上和在不同的设备上进行了实时性的测试，以及与其他的SOTA模型进行了精度和实时性的对比。
结论：精度略低于双流卷积模型，但实时性却接近它的30倍。精度和实时性都高于其他模型。
如有错误或不合理之处，欢迎在评论中指正。
欢迎关注公众号“CV技术指南”，主要进行计算机视觉方向的论文解读，最新技术跟踪，以及CV技术的总结。
本文地址：https://blog.csdn.net/KANG157/article/details/109002270