检测并归类图像中的物体是最广为人知的一个计算机视觉任务，随着ImageNet数据集挑战 而更加流行。不过还有一个令人恼火的问题有待解决：视频理解。 视频理解指的是对视频片段进行分析并进行解读。虽然有一些最新的进展，现代算法还远远 达不到人类的理解层次。
Facebook的AI研究团队新发表的一篇论文，SlowFast，提出了一种新颖的方法来分析视频 片段的内容，可以在两个应用最广的视频理解基准测试中获得了当前最好的结果：Kinetics-400 和AVA。该方法的核心是对同一个视频片段应用两个平行的卷积神经网络（CNN）—— 一个 慢（Slow）通道，一个快（Fast）通道。
作者观察到视频场景中的帧通常包含两个不同的部分 —— 不怎么变化或者缓慢变化的静态区域和 正在发生变化的动态区域，这通常意味着有些重要的事情发生了。例如，飞机起飞的视频会 包含相对静态的机场和一个在场景中快速移动的动态物体（飞机）。在日常生活中，当两个 人见面时，握手通常会比较快而场景中的其他部分则相对静态。
根据这一洞察，SlowFast使用了一个慢速高分辨率CNN（Fast通道）来分析视频中的静态内容， 同时使用一个快速低分辨率CNN（Slow通道）来分析视频中的动态内容。这一技术部分源于 灵长类动物的视网膜神经节的启发，在视网膜神经节中，大约80%的细胞（P-cells）以低频 运作，可以识别细节，而大约20%的细胞（M-cells）则以高频运作，负责响应快速变化。类似 的，在SlowFast中，Slow通道的计算成本要比Fast通道高4倍。
SlowFast工作原理
Slow通道和Fast通道都使用3D RestNet模型，捕捉若干帧之后立即运行3D卷积操作。
Slow通道使用一个较大的时序跨度（即每秒跳过的帧数），通常设置为16，这意味着大约1秒 可以采集2帧。Fast通道使用一个非常小的时序跨度τ/α，其中α通常设置为8，以便1秒可以采集 15帧。Fast通道通过使用小得多的卷积宽度（使用的滤波器数量）来保持轻量化， 通常设置为慢通道卷积宽度的⅛，这个值被标记为β。使用小一些的卷积宽度的原因是Fast 通道需要的计算量要比Slow通道小4倍，虽然它的时序频率更高。
上图是一个SlowFast网络的实例。卷积核的尺寸记作{T×S², C} ，其中T、S和C分别表示时序temporal, 空间spatial和频道Channel的尺寸。跨度记作{temporal stride, spatial stride ^ 2}。 速度比率(跳帧率) 为 α = 8 ，频道比率为1/β = 1/8。τ 设置为 16。绿色表示高一些的时序 分辨率，Fast通道中的橙色表示较少的频道。
侧向连接
如图中所示，来自Fast通道的数据通过侧向连接被送入Slow通道，这使得Slow通道可以了解Fast 通道的处理结果。单一数据样本的形状在两个通道间是不同的（Fast通道是{αT, S², βC} 而Slow 通道是 {T, S², αβC}），这要求SlowFast对Fast通道的结果进行数据变换，然后融入Slow通道。
论文给出了三种进行数据变换的技术思路，其中第三个思路在实践中最有效。
- Time-to-channel：将{αT, S², βC} 变形转置为 {T , S², αβC}，就是说把α帧压入一帧
- Time-strided采样：简单地每隔α帧进行采样，{αT , S², βC} 就变换为 {T , S², βC}
- Time-strided卷积: 用一个5×12的核进行3d卷积， 2βC输出频道，跨度= α.
有趣的是，研究人员发现双向侧链接，即将Slow通道结果也送入Fast通道，对性能没有改善。
在每个通道的末端，SlowFast执行全局平均池化，一个用来降维的标准操作，然后组合两个 通道的结果并送入一个全连接分类层，该层使用softmax来识别图像中发生的动作。
数据集
SlowFast在两个主要的数据集 —— DeepMind的Kinetics-400和Google的AVA上进行了测试。 虽然两个数据集都包含了场景的标注，它们之间还是有些差异：
Kinetics-400包含成千上万个Youtube视频的10秒片段，将人的动作归为400类（例如：握手、 跑、跳舞等），其中每一类至少包含400个视频。
AVA包含430个15分钟的标注过的Youtube视频，有80个原子化可视动作。每个动作的标注 即包含描述文本，也包含在画面中的定位框。
结果
SlowFast在两个数据集上都达到了迄今为止最好的结果，在Kinetics-400上它超过最好top-1得分5.1% (79.0% vs 73.9%) ，超过最好的top-5得分2.7% (93.6% vs 90.9%)。在 Kinetics-600 数据集上它也 达到了最好的结果。Kinetics-600数据集与Kinetics-400类似，不过它将动作分为600类，每一类 包含600个视频。
在AVA测试中，SlowFast研究人员首先使用的版本，是一个较快速R-CNN目标识别算法和现成的行人 检测器的整合，利用这个行人检测器获取感兴趣区域。研究人员随后对SlowFast网络进行了预训练， 最后在ROI上运行网络。结果是28.3 mAP (median average precision) ，比之前的最好结果21.9 mAP 有大幅改进。值得指出的是在Kinetics-400和Kinetics-600上的预训练没有获得显著的性能提升。
有趣的是，论文比较了只使用Slow通道、只使用Fast通道、同时使用Slow和Fast通道的结果，在 Kinetics-400上，只使用Slow通道的网络其top-1结果为72.6%，top-5为90.3%。只使用Fast通道的网络， top-1和top-5分别为51.7% 和 78.5%。
原文链接：SlowFast Explained: Dual-mode CNN for Video Understanding
汇智网翻译整理，转载请标明出处。