论文阅读：Tube Convolutional Neural Network (T-CNN) for Action Detection in Videos

Tube Convolutional Neural Network (T-CNN) for Action Detection in Videos

摘要及贡献

本文提出了端到端的深度卷积网络T-CNN

首先一段视频首先被分割成固定长度的片段（8帧）-------> 这些片段被送到Tube Proposal Network（TPN）并生成一系列的 tube proposal --------> 根据每个视频片段中的tube proposal 的行为得分和相邻proposal之间的重叠进行连接起来（即linking tube proposals），形成一个完整的tube proposal用于视频中的时空行为定位 -------> 最后the Tube-of-Interest（TOI）pooling被用于连接的行为tube proposal 来形成一个固定长度的特征向量用于行为标签预测。

贡献如下：

1. 提出了一种基于端到端深度学习的视频行为检测方法。它直接对原始视频进行操作，利用单个3D网络捕捉时空信息，根据3D卷积特征进行行为定位和识别。据我们所知，这是第一个利用3D ConvNet进行行为检测的工作。
2. 我们引入了一个Tube Proposal Network (TPN)，它利用在时间域的跳跃池，以保存时间信息的行动定位在三维体积。
3. 我们在T-CNN中提出了一种新的池化层Tube-of-Interest (ToI) pooling,ToI pooling是R-CNN感兴趣区域(Region-of-Interest, RoI)池化层的3D形式。它有效地缓解了变化的空间和时间大小的Tube Proposal Network的问题。我们证明了ToI池化可以大大提高识别结果。

相关工作

1. CNN和3DCNN在action detection的相关方法

2. action detecction相关方法

3. object detection流程

本文将R-CNN从2D图像区域推广到3D视频用于action detection

Generalizing R-CNN from 2D to 3D

与可以裁剪的图像不同，视频在时间维度上有很大差异，因此，我们将输入视频分成固定长度(8帧)的视频片段，这样视频片段就可以在固定大小的ConvNet架构下进行处理。此外，基于剪辑的处理降低了GPU内存的成本。

3D CNN相对于2D CNN的一个优点是它通过在时间和空间上应用卷积来捕捉运动信息，由于我们的方法不仅在空间维度上使用了3D卷积和3D max pooling，而且在时间维度上也使用了3D卷积和3D max pooling，从而减小了视频片段的大小，同时集中了可区分的信息。temporal pooling在识别任务中是很重要的，因为它能更好地建模视频的时空信息并减少一些背景噪声。然而，时间顺序信息丢失了。这意味着如果我们任意改变视频剪辑中的帧的顺序，最终的3D最大特征集将是相同的。这在行为检测中是有问题的，因为它依赖于特征立方体来获得原始帧的边界框。——时间信息很重要，不能任意改变帧的顺序

由于一个视频被一个片段一个片段地处理，action tube为不同的片段产生了不同的空间和时间大小的action tube proposal。这些片段候选框需要链接到一个tube proposal sequence，该序列用于行为标签预测和定位。为了产生一个固定长度的特征向量，我们提出了一种新的池化层-Tube-of Interest。ToI池化层是R-CNN感兴趣区域(Region-of-Interest, RoI)池化层的三维泛化。经典的最大池化层定义了内核大小、步长和填充，这些决定了输出的形状。而对于RoI池化层，首先确定输出形状，然后确定核的大小和步幅。相对于以二维特征图和二维区域作为输入的RoI池，ToI pooling deals with feature cube and 3D tubes。表示特征立方体的大小为d × h × w ，其中d、h、w分别表示特征立方体的深度、高度和宽度。feature cube中的ToI由一个d-by-4 矩阵定义，该矩阵由分布在所有帧中的d个box组成。Box由一个四元组( x 1 i , y 1 i , x 2 i , y 2 i )定义，该四元组指定第i个特征图的左上角和右下角，由于d bounding boxes 不同的大小、纵横比和位置，为了应用时空池化，空间域池化和时间域池化是分开进行的。首先，h × w 特征图映射被分为H × W bins，每个单元对应一个大小为h/w的单元，在每个单元格钟，应用最大池化来选择最大值，其次，空间池化的d个特征被暂时分为D bins，和第一步相似，d/D相邻特征图杯分组在一起来形成标准的时间最大池化。因此，TOI池化层的固定输出大小是DxHxW，如下图

框架结构

核心结构是TPN为每个片段产生tube proposals

Tube Proposal Network（TPN）

• 目标：输入8帧图片，输出8个连续的bbox。

针对8帧视频片段，采用三维卷积和三维池化方法提取spatio-temporal feature cube ，我们的3D ConvNet由七个三维卷积层和四个三维最大池化层组成。我们用d×h×w表示三维卷积/池化的核形状，其中d;h;W分别为深度、高度和宽度。在所有卷积层中，kernel size 为3×3×3, padding和stride保持为1。filter数量是前3个卷积层分别为64、128和256，其余的卷积层为512。第一个3D最大池化层的kernel size设置为1 ×2×2，其余3D最大池化层的内核大小设置为2×2×2。网络架构的详细信息如表1所示。我们使用C3D模型作为预训练模型，并在我们的实验中对每个数据集进行微调.

在conv5之后，时间大小减少到1帧(即深度为D = 1的特征立方体)，我们在conv5 feature tube生成bounding box proposals

Anchor bounding boxes selection

在Faster RCNN中，Anchor的数量被手工定义例如，9个anchor包含3个尺度和3个横纵比，在本文中我们不选择手工挑选的anchor boxes，而是在训练集上应用k-means聚类来学习12个anchor boxes(即聚类质心)。这种数据驱动的anchor boxes方法可以适应不同的数据集

每个包围框都与一个“actionness”分数相关联，该分数衡量框中的内容对应于有效动作的概率，我们为每个包围框分配一个二进制类标签(是否是一个动作)，动作得分小于阈值的包围框将被丢弃。在训练阶段，IoU与任意ground-truth box重叠大于0.7或Intersection-over-Union最大的边界框(IoU)与ground-truth box(后一种情况被考虑，以防前一种情况可能找不到正样本)重叠被认为是正边界盒的建议

Temporal skip pooling

• 存在的问题：3D CNN其实丢失了帧的顺序信息（order），而temporal skip pooling就是为了保留order信息。

由conv5 feature cube生成的bounding box可用于边界框回归的帧级动作检测，然而，由于时间最大池化的时间集中(8帧到1帧)会导致原始8帧的时间顺序丢失。因此，我们使用时间跳过池（temporal skip pooling） 引入时间顺序进行帧级检测。

• 具体实现：
  • 8帧输入到conv5的时候temporal纬度已经变为1了，通过普通的检测方法获取bbox propoals。
  • 在对上述proposal提取特征的时候，到conv2提取。因为conv2时没有对temporal纬度进行操作，可以认为conv2还保留着order信息。
  • 输入 conv5 的 proposal + conv2 的 feature，通过类似于RoI Pooling的操作就能提取定长特征，用于后面的操作。
  • 后面bbox reg的输入是通过 proposal + (conv2 & conv5) 提取的。
  • 8次bbox reg的输入都一致。

因此，以conv5 feature cube中有5个边界框为例，则在每个conv2特征片中对应的位置映射5个缩放的边界框。这将创建5个tube proposals ，如图3所示

Linking Tube Proposals

• 目标：连接不同clip的tube。

• link的主要条件有两个：actionness(即每个clip中tube的动作得分，得分越高表示存在动作的概率越大)和overlap（即不同clip间tube的IoU，前一个tube最后一帧与后一个tube第一帧的IoU）。

• 通过公式计算前后帧tube之间的得分，按照得分高低进行连接

  
  

Action Detection

• 目标：输入上一部得到的Linked之后的tube，对tube进行行为分类。

• 由于tube长度不一样，要对所有tube提取得到定长特征，就需要使用文中提出的ToI Pooling。
  

结果及讨论

• 这个不能用在online版本中。
• TOI pooling 可以与two-stream CNN结合

Region proposal network （RPN）vs Tubelet proposal network（TPN）理解

首先我们先回顾一下物体检测的主流方式，通常会包含以下几步：

• 生成一系列的候选框，这些候选框称为proposals

• 根据候选框判断候选框里的内容是前景还是背景，即是否包含了检测物体

• 用回归的方式去微调候选框，使其更准确地框取物体，这过程我们称bounding box regression

• region proposal： 候选框区域，选出来的区域。

• anchor box： 手工设计或者聚类得到的定位中心点框（与proposal区别是这些框是基于某一点的）

• Bounding box（bbox）： 将这些 anchor bbox回归之后的结果叫bounding box，就是更进一步的候选框，离标答更近了，从某种程度也是proposal（候选框）。

RPN主要包含以下几步：

• 生成Anchor boxes.

• 判断anchor boxes包含的是前景还是背景.

• 回归学习anchor boxes和groud truth的标注的位置差，来精确定位物体

  

  假设每个anchor生成了k个boxes，每个anchor box会输入到2个卷积网络，分别是cls layaer和reg layer。RPN的训练数据是通过比较anchor boxes和GT boxes生成的，会在图片中采样一些anchor boxes，然后计算anchor box和GT box的IOU来判断该box是前景还是背景，对于是前景的box还要计算其与GT box之间各个坐标offset。

  

Tubelet Proposal Network（TPN）

与静态目标检测中的候选边框(bounding box proposals)相同，视频目标检测中的边框被称为tube，tube是一系列候选边框的集合，视频目标检测算法使用tube来获得时间上的信息。因此，在Tubelet Proposal Network(TPN)中，从上一步得到了base 3D network的特征图，采用手工设计或者聚类的方法设计tube anchor ，每个tube anchor都有两个标签，一个是CLS——显示来自该空间位置的foreground tube与proposal tube是否有很高的重叠。一个是REG——输出一个4T-dimensional矢量编码位移，该位移是根据tube anchor中每个box的坐标得来tube bounding box。

相当于
region proposal = tube proposal
feature map = feature cube 由d个boxes组成的四维矩阵（因为加了时间）
anchor = tube anchor 采用手工设计或者聚类的方法设计tube anchor(如本文使用的12个anchor聚类)
bounding box = tube bounding box 从tube anchor中进行有无action进行打分并计算IOU，坐标为（x1，y1，x2，y2）为左上和右下角
conv5得到的feature cube

Related

论文浏览(38) Tube Convolutional Neural Network (T-CNN) for Action Detection in Videos - 爱码网 (likecs.com)

详解Region Proposal Network - 知乎 (zhihu.com)

【目标检测】概念理解：region proposal、bounding box、anchor box、ground truth、IoU、NMS、RoI Pooling_kentocho的博客-CSDN博客_ground truth iou