视频物体检测(VID) FGFA：Flow-Guided Feature Aggregation for Video Object Detection

本文是msra deep feature flow相关工作的一个延续。有关 deep feature flow参考这里。

论文链接：https://arxiv.org/abs/1703.10025 
代码链接：https://github.com/msracver/Flow-Guided-Feature-Aggregation 

这篇是MSRA发表在ICCV2017上的VID方面的论文，算是之前的工作Deep Feature Flow的一个延续。这篇文章的亮点在于利用了前后帧的信息加强当前帧的特征，从而得到较好的识别精度。但是速度上会比较慢。那我们开始吧。

1.Abstract

视频中的物体检测会受到诸如运动模糊、视频散焦、奇特姿态等的影响。现有的工作尝试从box-level使用temporal信息，但是这种方法不能端到端地进行训练。我们提出了FGFA，在frame-level使用temporal信息。它将相邻帧在motion paths上的特征聚合到当前帧的特征中，因此提高了视频识别的精度。我们的方法极大地提升了ImageNet VID上的single-frame baselines。特别是在识别快速移动的物体方面，此方法和Deep feature flow一起赢得了ImageNet 2017

2.Introduction

物体检测一般都是二阶段结构，首先CNN提取feature map，然后检测特定的网络用于从feature maps 中生成检测结果。 
这些方法对于still image效果很好，但是直接用到vedio上效果会恶化很多，例如state-of-the-art RFCN+ResNet-101在对快速运动中的物体进行识别的时候效果恶化得很厉害 
然后，视频中拥有丰富的对于单个物体实例的信息，通常会在一小段时间中的多个snapshots看到，这些时间信息用在现有的视频物体检测的方法中，则表现为：首先用物体检测器在单帧上进行检测，然后通过专用的后处理方法将这些bbox组合起来，后处理通常是通过现在的motion estimation的方法，例如光流，物体跟踪等。这些方法不会提高检测质量，性能的提升是来自启发式的后处理而不是有原则的学习过程。对于这类方法没有端到端的学习过程。我们把这些方法叫做box level methods 
我们希望能够利用时间信息提升检测或识别的质量，以一种有原则的方式。受图像识别的启发，特征很重要，因此我们利用时间域的聚合提升单帧特征的学习。注意，同一物体的特征用于视频运动的原因，在不同帧是空间不对齐的。盲目的特征聚合可能会使性能变差，这说明在学习过程中对运动进行良好的建模很重要。 
在此工作中，我们提出了FGFA，如图1所示，特征提取的网络在单帧上提取单帧的feature maps，然后为了加强当前帧的特征，一个光流网络用于估计相邻帧和当前帧的运动。相邻帧的feature maps再根据光流运动中warp到当前帧，warp后的feature map以及它自己的feature map一起通过适应权重网络进行聚合。（在当前帧）然后聚合得到的feature map再被送到检测网络中输出当前帧的检测结果。所有模块，包括特征提取，光流估计，特征聚合，检测都是端到端进行训练的，对于快速运动中的物体，普通的方法效果很差，但我们的方法有效地利用了不同snapshot间的丰富表现信息，这也是我们的方法取得VID冠军的致胜点（对于快速运动物体识别好） 

3.Flow Guided Feature Aggregation

3.1 Baseline and Motivation

给定输入的视频帧{IiIi},我们的目标是输出所有帧上的物体框{YiYi}。Baseline就是在每帧上单独使用现有的物体检测器。 
现有的CNN-based物体检测器结构相似，输入图片I，CNN提取特征得到Nfeat(II)=f feature maps，然后一个专用于detection的子网络用于生成检测结果yy=Ndet(ff)。 
视频帧会有很剧烈的表现变化，如图2所示，当画面很差的时候，单帧的检测结果很不稳定，易出错。图1给出了一个例子，在tt时刻，由于运动模糊，猫这个类的特征响应会很低。这导致单帧检测的失败，观察到邻近的帧tt-10和tt+10有比较高的响应，它们的特征可以被传递给当前的tt帧，当tt帧的特征加强后，检测成功。 
 
特征传递和加强需要两个模块实现：(1)motion-guided spatial warping.在帧间估计运动然后将feature map进行warp。(2)feature aggregation module.它用于正确地将不同帧的特征进行融合，再加上特征提取和检测网络，共同组成了我们方法的四个模块。

3.2 Model Design

Flow-guided warping.给定一帧{IiIi}和其相邻帧{IjIj}光流场Mi−>jMi−>j=F(IiIi,IjIj)可以通过光流网络F参加FlowNet[8]估计。 
相邻帧的feature maps被warp到当前帧，根据光流warping function定义为： 
fj−>ifj−>i=W(fjfj,Mi−>jMi−>j)=W(fjfj,Mi−>jMi−>j) 
其中W是一个双线性的warping function，用于feature maps上所有位置的每个channel，fj−>ifj−>i表示从jj warp到ii帧的feature map。 
Feature aggregation.做完feature warping以后，当前帧从相邻帧累积feature map。这些feature map提供了物体实例的不同信息，例如光照、视角、姿态、非刚体变形等。聚合特征是，我们在不同空间位置使用不同的权重，并且让所有特征通道共享此空间权重，这一2D权重map定义为Wj−>iWj−>i。则聚合后的特征为 
 
其中kk表示相邻帧的数量，默认kk=10。上式和attention模型的公式很像，不用的权重用于memory buffer中的不同特征。 
聚合后的特征最后被送到检测子网络中得到最终的结果：yiyi=Ndet()。 
和baseline以及box-line method相比，我们的方法在输入到最后的检测之前就进行了多帧信息聚合。 
Adaptive weight.权重用于表示所有buffer frames[Ii−kIi−k,…,Ii+kIi+k]对于IiIi在每个空间位置上的重要程度。 
特别地，在位置PP,如果warped features fj−>i(P)fj−>i(P)和fi(P)fi(P)很相近，则它会被赋予一个大的权重，反之则相反这里我们使用余弦相近矩阵来衡量warped features和从当前帧得到的features之间的相似度。另外，我们不直接使用卷积特征Nfeat(II),而是使用一个小的全卷积网络，将特征f(i)f(i)和fj−>ifj−>i映射到新的embedding进行相似度度量。 
我们估计权重为： 
 
其中fefe=表示相似度度量的embedding features。权重Wj−>iWj−>i对于所有空间位置PP，在相似帧做了归一化，=1。估计权重的过程可以看做是利用embedding features计算余弦相似度的过程。

3.3 Training and Inference

Inference.算法1归纳了inference的过程。 
 
Training.整个FGFA结构是可微的，可以端到端地进行训练。唯一需要注意的地方是特征warping的模块是通过双线性插值得到的，也是可微的，对于feature maps和光流场都是可微的。 
*Temporal dropout.在SGD训练中，聚合范围K受到内存的限制，我们在inference的时候使用一个大的K，而在训练的时候用小的K(默认为2)，这是没关系的，因为adaptive weight可以在许梿和推理的时候分别进行正确的归一化。注意在训练时，相邻帧是从一个大的range中随机采样的，这个大range等于推理时用的range，这就相当于在时域上用了个dropout，用table 3可以看出，temporal dropout效果不错。 

3.4 Network Architecture

Flow network.我们用了在flying chairs数据集上预训练的Flownet(简易版)。它被使用到一半分辨率的图片上。输出stride=4。由于feature network的输出stride=16(下文有解释)。flow field再次下采样得到和feature map一样的分辨率。 
Feature network.我们使用Resnet-50，Resnet-101。Inception-Resnet作为feature network。初始的Inception-Resnet是用于图像识别的，为了解决特征不一致的问题，使其能够正确运用到物体检测中，我们使用一个modified的版本叫做Aligned-Inception Resnet[6]、Resnet50，Resnet101，Aligned-Inception-Resnet都是在ImageNet分类上预测训练的。 
预测训练的模型用于FGFA的feature network。我们稍微调整了一下这三个模型的结构用于物体检测。我们将最后的average pooling和fc层去掉，保留其他卷积层。为了提高特征分辨率，根据[4，5]的实践，将最后一个block的stride从32改为16，特别地，在最后一个block的开始(conv5)，stride从2变为1。为了保持感受野的大小。最后一个block的卷积层的dilation(kernel size>1)设为2。最后随机初始化3*3卷积用在最后将特征维度降为1024。 
Embedding network.有三层，1*1*512 conv,3*3*512 conv,1*1*2048 conv,随机初始化。 
Detection network.我们使用R-FCN，并且按照[49]的设计，在1024-d feature maps的后面。RPN sub-network和R-FCN sub-network分别接前512和后512维，RPN使用9个anchor(3 scale, 3 aspect)。每张图产生300个proposals，R-FCN中的position-sensitive score maps是7*7group。

4.Experiment

4.1 Experiment Setup

**ImageNet VID dataset.**3862个video snippets用于训练，555个snippets用于验证，这些snippets全部标注好。每个视频的frame rates在25和30左右。共有30个物体分类，是ImageNet DET数据集的子类别。 
slow，medium和fast运动中分别测试了不同运动速度的map。 
Implementation Details.在训练时，和[18,23]一样，ImageNet DET和VID训练集都用于训练。两阶段的训练：第一阶段：特征网络和检测网络在ImageNet DET上进行训练，使用和VID一样的30个类，SGD，每个batch一张图进行训练，4GPU，120K iterations。lr在前80K和后40K iters分别为10−310−3和10−410−4。第二阶段，整个FGFA模型在VID上进行训练，4GPU，60K iter。lr在前40K和后20K iters分别是10−310−3和10−410−4。在训练和推理中，图片都被resize到短边600用于feature network，resize到短边300用于flow network。

4.2 Ablation Study

Table 1比较了单帧baseline 和FGFA以及其变种figure 6是单帧方法和FGFA的直观对比。