Long-term Recurrent Convolutional Networks for Visual Recognition and Description

---

info

2015CVPR
jeff Donahue http://jeffdonahue.com/
lisa anne hendricks https://people.eecs.berkeley.edu/~lisa_anne/index.html
project page：http://jeffdonahue.com/lrcn/

主要关注作者CNN+LSTM用于动作识别的部分。
文章当中个CNNbase：一个混合体（经过小改动的AlexNet和一个在imagenet上预训练的模型的混合）。

大致流程如上图。首先对整个视频抽取视频帧，对于每一个视频帧都用CNN提取特征，送入LSTM，对每个LSTM单元的输出取平均得到最终分类结果。（改动的AlexNet和LSTM是自己训练的）

---

Intro

作者提出，理想视频模型应该可以处理不同长度的输入（视频）和输出（比如不同长度的描述句子）。
文章提出了LRCN，结合了convolutional layers and long-range temporal recursion，就是CNN和LSTM啦，模型用于视觉识别和描述，而且可以端到端训练。

几个优点：

• 普遍适用于视觉上的时间序列建模
• 在训练数据足够时，能够有效提升原有模型
• 特别的，提升了视频动作识别、对于句子级别的自然语言表述可以端到端训练
• improve generation of descriptions from intermediate visual representations derived from conventional visual models.

三个实验

• 动作识别（CNN+LSTM），捕捉时序状态依赖
• 图像到句子的mapping（端到端）
• 传统视觉算法+LSTM，进行highlevel的判别式标签预测（不是端到端）

BACKGROUND: RECURRENT NETWORKS

介绍RNN，以及LSTM~~（这个网上很多就不写了）

LONG-TERM RECURRENT CONVOLUTIONALNETWORK (LRCN) MODEL

本文提出的LRCN。
LRCN这个框架，对于每个visual input，记为xt，经过一个特征变换（其实就是CNN），产生定长的特征向量，输入接下来的递归序列学习模块（LSTM）。然后这个递归模块会给出输出zt，经过一个线性prediction layer

最终得到预测分布

然后作者详细说明了一下文章做的三个实验（不展开了）：

1. 动作识别：序列输入、静态输出。输入是任意长度的视频，输出是固定的标签。
2. image captioning：静态输入、序列输出。
3. 视频描述：序列输入输出。

对于第一个，采用了一个late-fusion的方法，来讲每个时间点的predictions合并为一个prediction y。

Activity Recognition

• 数据集：UCF101
• 输入：RGB+光流图，定长16frames的video clip
• 输出：单独标签

一些实现细节：

首先，对于输入来说，做了如下处理：

• 提取视频帧：30frames/second
• 计算光流图片，采用了ECCV2004的一个方法。计算出来光流之后，通过scaling和shifting光流值到[-128,+128]范围内。光流图片的第三个通道用于计算光流权重flow magnitude。参考：High accuracy optical flow estimation based on a theory for warping
• 训练时，进行resize：240x320
• augment data：227x227 crops，mirroring。另外，作者提出，由于输入定长只有16frms，其实相当于对视频进行crops。

作者采用的CNN base是下述两个的model的混合体（具体细节要看代码了吧）：

• caffeNet reference model
• network used by Visualizing and understanding convolutional networks
  
  • 文章链接
  • 还有一些博客也有说明。比如这个 ，还有这个

UCF101，12000+videos，101类，3splits（每个split中训练集不到8000的样子）。
作者在训练时，将第一个training split分为了training set （约6000）和validation set（约3000）。

We find that the most influential hyperparameters include ：

• the number of hidden units in the LSTM and
• whether fc6 or fc7 features are used as input to the LSTM

比较了256、512、1024个LSTM隐含单元：

• flow as input：更多hidden unit更高 1024比256高1.7%
• RGB：隐含单元数量has little impact on the performance of the model.
  所以最后采用， 1024 hidden units for flow inputs, and 256 for RGB inputs.

然后，对于flow来说，采用fc6而不是fc7特征，能够提高1%，RGB来说，fc6和fc7没什么差别，只增加了0.2%，所以最终采用了fc6特征。记为LRCN-fc6。
Additionally,when training the LRCN network end-to-end, we found that aggressive dropout (0.9) was needed to avoid overfitting.

晚上看代码~~~