行为识别：TSM: Temporal Shift Module for Efficient Video Understanding 论文笔记
abstract：
TSM (Temporal Shift Module) shifts part of the channels along the temporal dimension,从而促进相邻帧之间的信息交换
introduction：
视频识别和图像识别的最大差异：temporal modeling
动机：时间信息在行为识别中重要。但当前 1）3D cnn对时空信息联合建模，在 edge devices部署模型 expensive； 2）双流网络，在low-level抽取时间特征 expensive；由此我们提出一个新的角度，Temporal Shift Module (TSM)，shifts part of the channels along the temporal dimension,从而促进相邻帧之间的信息交换
视频标示为：N*C*T*H*W，传统2dcnn 在时间尺度T上独立运行，没有对时序建模。而TSM在时间维度上shift the channel，both forward and backward。
如上图（b）所示，周围frames的信息在时间维度shift之后会和当前frame特征混合。
我们在时间维度，shift ±1，并fold the multiply-accumulate from time dimension to channel dimension（将乘积和累加从时间维度累加到channel维度）
目前在image 中使用的shift strategy 有两个问题：1）虽然shift操作带来的计算cost非常小，但additional cost of data movement is non-negligible 2）不准确，shift too many channels带来性能下降。所以我们：1）采取temporal partial shift strategy（部分时间维度偏移策略），只shift一小部分channel，有效减少了data movement cost。 2）将Temporal Shift Module 引入residual branch（残差部分），保留当前帧的普通activation。
temporal shift module
主要探究两个问题：1）shift多大比例的channel维度 2）shift in place还是将其添加到resnet分支中。
问题 1） moudle design：backbone：resnet50，8 frame input（no shift，2d baseline），partial shift( 1/8, 1/4,1/2) and all shift,计算运行时间。
问题 2）shift in place 或是TSM放在residual block 中的残差分支，结构如下图所示：
shift选取比例和in-place&residual 在kinetics上结果：最终实验选取比例为1/4并选择residual shift
experiment
训练：先在kinetiecs上预训练，再fine-tuned到其他大型数据集上，Something-Something, UCF101 and HMDB51.
RGB部分结果，选取TSN 作为2d CNN的baseline
在Something-Something（双流）上与当前state-of-the-art比较
个人总结：
1）看过代码发现TSM的实现还比较简单，基于基本框架resnet-50， 对每个block的conv1中的特征进行temperol shift操作。只改动1/4的channel维度（在前0:1/8的channel维度进行时间维度后移，1/8:1/4的channel维度进行时间维度前移），所以原始特征很大程度保留了。
# shape of x: [N, T, C, H, W]
out = torch.zeros_like(x)
fold = c // fold_div
out[:, :-1, :fold] = x[:, 1:, :fold] # shift left
out[:, 1:, fold: 2 * fold] = x[:, :-1, fold: 2 * fold] # shift right
out[:, :, 2 * fold:] = x[:, :, 2 * fold:] # not shift
return out2）但作者只在kinetics对比了shift带来的效果，其他几个数据集并未贴出实验结果。感觉很难说明是TSM本身带来了性能的提升，还是kinetics预训练参数选取的好。
