Look-ahead before you leap: end-to-end active recognition by forecasting the effect of motion 讲解

版权声明：本文为博主原创文章，未经博主允许不得转载，否则将通知维权骑士维护自己的权益。 https://blog.csdn.net/c602273091/article/details/78918015

我看了一下，基本上没有什么资料对这篇文章【1】进行描述【2】，那我就试着讲一讲这个东西，尽量试着把各个模块搞清楚。这玩意涉及CNN，RNN，RL这些东西，确实需要不少积淀才能搞清楚。

转载请注明出处： http://blog.csdn.net/c602273091/article/details/78918015

Introduction

该论文主要解决的是给定了initial view，如何调整摄像头的位置，使得object recognition或者是scene recognition更加准确。这就是所谓的active vision（主动视觉）。另外，还提出了一个叫做look-ahead的东西，就是在active vision中加入一个可以预测执行某个action之后看到的东西。

做这个东西是因为目前计算机视觉的算法，更多偏向于one-shot recognition，但是很多时候，一副图片能够有效表达这些信息么？答案是不能，比如下面这幅图片，俯视图无法让我们分辨出这具体是神马。

那么如果是人的话会怎么样呢？会低头看看，然后就结合之前的信息就更容易知道这个东西是啥。那么到了计算机视觉这里，active vision就是输入当前图片，你觉得不行，然后输出action，调转camera的pose来获得新的状态，把新的状态又加入之前的history做融合。那么从当前的图片到action这个动作，就是主动的行为，主动去获取更有利于目标识别的信息。

一般来说，active recognition的框架如下：perception，action selection，evidence fusion。

这里的perception就是对单幅的图片的识别，可以用一个CNN实现。Action Selection就是根据当前的状态，输出action，得到那个action是比较合理的。这个东西使用文中使用了神经网络加RL来实现。evidence fusion就是把多个perception的结果进行融合，得到更为准确的结果，文中使用了RNN。

把整个结构展开就是：十分明显，总的架构是RNN。

一共是有五个部分：
Perception：获取图片（输入为pose和camera）

Aggregator：把之前的（比如前一帧）和当前的图片进行evidence fusion，提取特征。

Look-ahead：比如你猜测它是神马，通过action之后，他应该是怎么样的，那么在时刻t的ground truth和t-1的prediction就会有一个error，一个loss的分布。那么通过error的比较也对后期做recognition提供了帮助。（纯脑补）

Actor：就是当前什么状态，根据融合的feature，应该进行怎么样的action。

Classifier：在如今的aggregator的信息获取下，决策属于哪一个object。

以上解读更多的是脑补，具体的需要我进行进一步的研究。

Details and Question

settings

在在T个时间戳都可以进行最后的识别X，每个时间戳recognition system会发送指令给motor，来改变它的pose，但是这个pose是改变是离散的，当然，这样就更简单了。最开始的pose设定为一个随机值，反正也是建立一个相对坐标系，无所谓。

每次更新之后的相机的pose就是：

system architecture

从上面的图可以看出，其实最基本的架构是有四个Module：ACTOR，SENSOR，AGGREGATOR，CLASSIFIER，它们的weight用$W_a$,$W_s$,$W_r$,$W_c$。

在时间戳t，ACTOR会发出一个motor command $m_t$给motor，pose就会改变成：
$p_t = p_{t-1} + m_t$。然后ACTOR把$m_t$传给SENSOR，SENSOR（摄像头）同时接收到了新的图片$x_t$，由SENSOR这么模块就会产生这个单个的图片和command产生的feature vector: $s_t = SENSOR(x_t,m_t)$。然后SENSOR产生的feature又送入了AGGREGATOR，AGGREGATOR会把时间T以内的所有的$s_t$进行一个evidence fusion，得到AGGREGATOR的feature vector，就是$a_t = AGGREGATOR(s1,...,s_t)$. 然后这个aggregator feature会送到两个地方，一个是ACTOR，得到新的motion command：$m_{t+1} = ACTOR(a_t)$. 在时间T之后，$a_t$就被送到CLASSIFIER进行识别：

得到的就是C维的不同object的一个probability。

在这些模块中，ACTOR是一个标准的神经网络加上RL，产生了一个概率密度函数$\pi (m_t)$来判断采用什么motion，AGGREGATOR是一个RNN，CLASSIFFIER是一个全连接层加log-softmax，SENSOR有分开的神经网络对$x_t,m_t$进行，产生per-instance view feature。

在训练的时候，四个模块是一起训练的（实际上还包括下一节要介绍的look-ahead，那就是5个） label就是时间T，W的更新涉及了标准的BP和RL的梯度计算。其中CLASSIFIER、AGGREGATOR、SENSOR这三个可以采用BP的梯度下降方法进行W更新，使用的是Softmax classification loss。ACTOR采用的是RL的梯度求导。（我觉得论文中更新$W_s,W_r$变成了RL的梯度更新和CNN的更新，两个都需要）ACTOR模块用POMDP进行拟合，优化的是policy。Reward function就是如果分类正确，award就是1，反之就是0。这里的reward function做了一些变化：

ACTOR的下降梯度会对SENSOR有影响，SENSOR的下降梯度对AGGREGATOR有影响，AGGREGATOR对CLASSIFIER有影响。

梯度计算如下：

权值更新如下：

look-ahead module

预测motion会对下一个的观测有什么影响，主要是对AGGREGATOR的影响，这里不是用了multiple view geometry，是给AGGREGATOR进行一个类似于“auto-encoder”，这篇文章为什么要用这个是基于能够预测下一个motion和能够选择optimal motion是紧密联系的。在文中，提出了一个LOOKAHEAD模块，其实不算是预测，因为用的数据都是上一帧的，并且ground truth就是当前时刻的aggregator feature。在look-ahead模块中的预测：

loss function就是预测的aggregator feature与实际feature vector之间的distance，可以计算为：

使用的是consine distance的算法。所以，在这个模块中，会生成一个新的weight用来更新其它模块（AGGREGATOR和SENSOR）的weight。

所以SENSOR和AGGREGATOR的weight更新为：

在Suppliment Material中对于整个流程进行了描述：3D 物体用X表示，然后通过对于计算机pose和物体X进行映射得到2维的图片P(X, $\vec p$)。当前位置的proprioception function f($\vec p$)，由camera pose计算出的相对的pose。 $\hat y$ 是对物体X的预测。

整篇论文的精髓在于下面整个end-to-end的网络：具体的描述不在这里展开，还是比较清晰的。

参考链接：
【1】论文地址： http://vision.cs.utexas.edu/projects/lookahead_active/lookahead_active_eccv16.pdf
【2】参考博客： http://blog.csdn.net/xizero00/article/details/51386629