论文浏览(25) Region-based Non-local Operation for Video Classification

文章目录

• 0. 前言
• 1. 要解决什么问题
• 2. 用了什么方法
• 3. 效果如何
• 4. 还存在什么问题

---

0. 前言

• 相关资料：
  • arxiv
  • github
  • 论文解读
• 论文基本信息
  • 领域：行为识别（视频分类）
  • 作者单位：约克大学
  • 发表时间：2020.7

---

1. 要解决什么问题

• CNN本身存在问题。
  • 使用CNN处理问题是，感受野被限制在kernel里。
  • 多层CNN的感受野也都是同一个形状。
  • 上面描述的情况与现实场景非常不一样。
  • 用原文里的话说，要获取 long-range dependencies 都是用多层CNN叠加，这非常不合适。
• 为了解决上面的问题，原先可以用 Non-local 结构，但该结构也存在问题：
  • 计算两个点之间相互依赖关系的时候，只用了这两个点的信息，而没有充分利用点周围的信息。

---

2. 用了什么方法

• 首先回顾了Non-local操作
  • 
  • 细节不多说了，要注意的就是，对于一个结果 $y_i$yi​，其作用的原始$x_i, x_j$xi​,xj​两个点，其他未知并没有任何帮助。
• 之后提出了改进版结构 region-based non-local operation (RNL)
  • 最初的设想：RNL中两个点之间的相互关系不仅仅与这两个点本身有关，还与其周边领域有关。这个领域叫做region。
  • 所以定义以某个点为中心的立方体为 $N_{i}$Ni​，则两个点之间的关系可以通过以下公式表示：
    • 
  • 上面公式中的 $\theta$θ 指的是information aggregation function，作用是分别总结了每个channel中某个region的特征信息。该函数的实现如下公式所示：
  • 最终RNL的公式可以写成
  • 上面的 f() 函数用于计算两个点的相似度
    • 可以使用Non-local中的 gaussian version dot product version，前者形如，后者形如
    • 本文提出可以使用 cosine version，即
  • RNL 的网络结果如下图
• 如何将RNL用到普通视频分类网络中
  • 由于RNL中用到的权重关系中，每个channel中电的信息至于当前channel的其他region有关，所以这里可以用 Sperabale Convolution 实现。
  • 

---

3. 效果如何

• 总而言之，性能就是好
  • 
  • 

---

4. 还存在什么问题

• 可以替代Non-local，那用法应该也应该与Non-local类似吧。

• 现在也就看了个大概，细节还是要复现的时候看看。