美圖雲聯合中科院，提出基於交互感知注意力機制神經網路的行為分類技術

雷鋒網 AI 科技評論按：本文為美圖雲視覺技術部門的 ECCV 2018 錄用論文解讀。

以往注意機制模型通過加權所有局部特徵計算和提取關鍵特徵，忽略了各局部特徵間的強相關性，特徵間存在較強的信息冗餘。為解決此問題，來自美圖雲視覺技術部門和中科院自動化所的研發人員借鑒 PCA（主成分分析）思想，提出了一種引入局部特徵交互感知的自注意機制模型，並將模型嵌入到 CNN 網路中，提出一個端到端的網路結構。該演算法在多個學術數據集和美圖公司內部工業界視頻數據集上的行為分類表現都非常出色。基於該演算法思想的相關論文「Interaction-aware Spatio-temporal Pyramid Attention Networks for Action Classification」已被 ECCV2018 收錄，下文將從背景、核心思想、效果和應用前景幾個方面進行介紹。

一、背景

深度卷積神經網路中，特徵圖裡相鄰空間位置的局部通道特徵，往往由於它們的感受野重疊而具有很高的相關性。自注意機制模型通常利用每個局部特徵內部元素的加權和（或其他函數）來獲得其權重得分，此權重用於加權所有局部特徵獲取關鍵特徵。儘管局部特徵之間具有很高的相關性，但此權重計算並沒有考慮到它們之間的相互作用。

PCA 可以提取全局特徵主要維度的主成分信息，而這些主成分信息可以看作是提取的局部特徵，最後降維後的全局特徵即是關鍵局部特徵的集合。注意機制的目的是從局部特徵集合中提取關鍵部分，也就是 PCA 中的局部特徵。不同的是注意力機制使用每個局部特徵對應的加權得分來計算最終的全局特徵。PCA 利用協方差矩陣來獲得降維（或加權權重）的基向量，從而減少特徵間的信息冗餘和雜訊。基於以上背景，該團隊使用 PCA 來指導提出的注意力模型，並通過將 PCA 演算法轉換成損失設計實現。此外，由於深度網路中的不同層可以捕獲不同尺度的特徵圖，演算法使用這些特徵圖來構造空間金字塔，利用多尺度信息來計算每個局部通道特徵更精確的注意力分數，這些權重得分用於在所有空間位置中對局部特徵進行加權。

二、核心思想

本論文定義了一個新的交互感知時空金字塔注意力層，以此實現輸入在深度卷積神經網路中各個層的不同尺度局部特徵的交互感知和時空特徵融合的功能。它的架構如上圖所示，演算法首先定義了一個下採樣函數 R, 將不同層的特徵圖統一到一個尺度。接著對不同尺度的特徵圖的局部通道特徵使用注意力機制進行關鍵特徵提取，通過使用融合函數對不同尺度的特徵進行融合，並計算每個局部特徵的注意力得分，用於加權特徵。

在 PCA 中使用協方差矩陣計算投影向量並依此進行降維，即提取關鍵的局部特徵，本論文將其轉化損失函數的設計加入到最終的模型中：

再對提出的空間金字塔注意力模型進行約束，使其不同尺度層的特徵圖盡量關注到不同的信息，加入分類損失得出最終的損失函數：

論文提出的模型參數與輸入特徵圖的數目無關，因此，自然地將其拓展到視頻級端到端訓練的時空網路，最終的網路結構定義如下圖：

三、效果

研發人員將提出的基於交互感知的時空金字塔注意力機制神經網路演算法應用於美圖公司的視頻相關業務進行人物行為分類，效果表現優異。除此之外在公開數據集 UCF101、HMDB51 和無裁剪行為資料庫 Charades 上進行了評測，也取得了領先效果，結果如下圖所示 ：

此外，該論文對視頻時空輸入進行了評測，評測結果顯示出該模型能夠同時處理任意數量的視頻幀輸入，並取得較好的實驗結果。

上圖給出了該演算法在進行行為分類時的可視化輸出結果，可以看出該演算法能夠對視頻中關鍵的行為進行精確定位。

四、展望

實際應用中，業務場景對演算法的運行時間要求較嚴苛。本論文在公開數據集上的結果均通過截取視頻中的多幀得到，時間複雜度較高，後續會以降低演算法時間複雜度為目標對核心模塊進行優化。值得注意的是，本論文提出的空間金字塔注意力模型不受其輸入特徵圖數量的限制，因此它很容易擴展到一個可以兼容任意數量的輸入幀的時空版本，在應用中可以在分類準確率幾乎不受影響的前提下，通過減少截幀數提升處理速度。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！