PaddlePaddle 飞桨复现 ResNeXt

Posted 2023-05-09 龙火火的博客

import paddle.nn as nn
import paddle
class BN_Conv2D(nn.Layer):
    """
    BN_CONV_RELU
    """

    def __init__(self, in_channels, out_channels, kernel_size, stride, padding, dilation=1, groups=1, bias=False):
        super(BN_Conv2D, self).__init__()
        self.seq = nn.Sequential(
            nn.Conv2D(in_channels, out_channels, kernel_size=kernel_size, stride=stride,
                      padding=padding, dilation=dilation, groups=groups, bias_attr=bias),
            nn.BatchNorm2D(out_channels)
        )

    def forward(self, x):
        return F.relu(self.seq(x))

class ResNeXt_Block(nn.Layer):
    """
    ResNeXt block with group convolutions
    """

    def __init__(self, in_chnls, cardinality, group_depth, stride):
        super(ResNeXt_Block, self).__init__()
        self.group_chnls = cardinality * group_depth
        self.conv1 = BN_Conv2D(in_chnls, self.group_chnls, 1, stride=1, padding=0)
        self.conv2 = BN_Conv2D(self.group_chnls, self.group_chnls, 3, stride=stride, padding=1, groups=cardinality)
        self.conv3 = nn.Conv2D(self.group_chnls, self.group_chnls*2, 1, stride=1, padding=0)
        self.bn = nn.BatchNorm2D(self.group_chnls*2)
        self.short_cut = nn.Sequential(
            nn.Conv2D(in_chnls, self.group_chnls*2, 1, stride, 0, bias_attr=False),
            nn.BatchNorm2D(self.group_chnls*2)
        )

    def forward(self, x):
        out = self.conv1(x)
        out = self.conv2(out)
        out = self.bn(self.conv3(out))
        out += self.short_cut(x)
        return F.relu(out)

class ResNeXt(nn.Layer):
    """
    ResNeXt builder
    """

    def __init__(self, layers: object, cardinality, group_depth, num_classes) -> object:
        super(ResNeXt, self).__init__()
        self.cardinality = cardinality
        self.channels = 64
        self.conv1 = BN_Conv2D(3, self.channels, 7, stride=2, padding=3)
        d1 = group_depth
        self.conv2 = self.___make_layers(d1, layers[0], stride=1)
        d2 = d1 * 2
        self.conv3 = self.___make_layers(d2, layers[1], stride=2)
        d3 = d2 * 2
        self.conv4 = self.___make_layers(d3, layers[2], stride=2)
        d4 = d3 * 2
        self.conv5 = self.___make_layers(d4, layers[3], stride=2)
        self.fc = nn.Linear(self.channels, num_classes)   # 224x224 input size

    def ___make_layers(self, d, blocks, stride):
        strides = [stride] + [1] * (blocks-1)
        layers = []
        for stride in strides:
            layers.append(ResNeXt_Block(self.channels, self.cardinality, d, stride))
            self.channels = self.cardinality*d*2
        return nn.Sequential(*layers)

    def forward(self, x):
        out = self.conv1(x)
        out = F.max_pool2d(out, 3, 2, 1)
        out = self.conv2(out)
        out = self.conv3(out)
        out = self.conv4(out)
        out = self.conv5(out)
        out = F.avg_pool2d(out, 7)
        # out = out.view(out.size(0), -1)
        out = paddle.reshape(out, [out.shape[0],-1])
        out = F.softmax(self.fc(out))
        return out

def resNeXt50_32x4d(num_classes=1000):
    return ResNeXt([3, 4, 6, 3], 32, 4, num_classes)


def resNeXt101_32x4d(num_classes=1000):
    return ResNeXt([3, 4, 23, 3], 32, 4, num_classes)


def resNeXt101_64x4d(num_classes=1000):
    return ResNeXt([3, 4, 23, 3], 64, 4, num_classes)


# net = resNeXt101_32x4d(2)
net = resNeXt50_32x4d(num_classes=2)
paddle.summary(net, (-1, 3, 256, 256))

视频分类最新高效算法，PaddlePaddle-NeXtVLAD初体验

关注&置顶“Charlotte数据挖掘”

每日9:00，干货速递！

导读：本文转载自「飞桨PaddlePaddle」官方公众号，视频分类问题很热门，使用深度学习的方法大规模进行视频分类逐渐成为了趋势。除了TSM之外，目前深度学习领域还有一系列优秀的视频分类模型，我们会慢慢为大家介绍。今天，我们将为大家介绍由飞桨官方复现并开源的另一个重要模型：NeXtVLAD。

 

1.  视频分类概述

视频分类是指给定一个视频片段，对其中包含的内容进行分类。视频分类任务中，又以视频动作分类最为热门（如做蛋糕，打篮球，亲吻，喝酒，哭泣）等（详见下节数据集介绍），毕竟动作本身就包含“动”态的因素，不是“静“态的图像所能描述的，因此也是最体现视频分类功底的。

 

2.  常见数据集

近年来，视频理解相关的领域涌现了大量的新模型、新方法，与之相伴的，也有多个新的大规模的视频理解数据集。不同的数据集的概要情况如下：

其中，Youtube-8M为谷歌开源的视频数据集，视频来自youtube，共计8百万个视频，总时长50万小时，V1版有4800个视觉实体标签，V2版有3862个视觉实体标签，是视频理解领域规模最大的数据集。为了保证标签视频数据库的稳定性和质量，谷歌只采用浏览量超过1000的公共视频资源。谷歌对视频进行了预处理，并提取了帧级别的特征，提取的特征被压缩到可以放到一个硬盘中（大小约为1.5T）。

Kinetics 数据集包括Kinetics-400和Kinetics-600以及今年刚发布的Kinetics-700。Kinetics是一个大规模、高质量的 Youtube视频网址数据集,其中包含各种以人为主题的行为动作。每个视频剪辑持续大约10秒中，并标有一个人类动作，所有剪辑都经过多轮人工,每个剪辑均来自一个独特的 YouTube视频。这些动作涵盖了广泛的课程,包括人物体交互,如演奏乐器,以及人与人之间的互动,如握手和拥抱。

Kinetics-400发布于2017年，该数据集由306,245个视频剪辑组成，涵盖400个人类动作。Kinetics-600发布于2018年，该数据集由495,547个视频剪辑组成, 涵盖600个人类动作类。Kinetics-700发布于2019年，该数据集由650,317个视频剪辑组成，涵盖700个人类动作。

3.  NeXtVLAD简介

在深度学习之前，研究者们已经提出了许多传统的局部特征融合的算法，例如BoW，FV，VLAD等，旨在建模更紧凑的视觉特征表示，从而提升大规模视觉识别任务的性能。2016年的CVPR会议上研究者们又提出了一个可微分的网络模块NetVLAD，将传统的VLAD描述子与神经网络相结合，成功应用于场景识别的任务中。但是NetVLAD的缺陷是编码得到的特征维度过高，导致神经网络中含有上亿的参数，计算量巨大难以优化，容易产生过拟合。

为了解决NetVLAD中参数爆炸的问题，同时受ResNeXt的工作所启发，NeXtVLAD应运而生。NeXtVLAD首先对输入的特征做升维操作，然后将该特征划分成多个群组分别进行建模，并引入Group Convolution层减少模型参数，提高计算性能。此外该模型中还引入视觉Attention机制对不同的群组赋予不同权重，建模视频中不同帧的分类贡献度。最后为了捕获特征之间的依赖关系，在分类层之前加入Context Gating模块来重塑特征和输出标签，同时引入SE（Squeeze-and-Excitation）操作进一步减小模型参数。通过图像和音频特征的两路融合，NeXtVLAD取得了0.87的GAP指标，是该赛事中效果最好的单模型结构。

NeXtVLAD模型提供了一种将帧级别的视频特征转化并压缩成特征向量，以适用于任意数目帧输入的视频分类方法。其基本出发点是在NetVLAD模型的基础上，将高维度的特征先进行分组，再引入attention机制聚合提取时间维度的信息，这样既可以获得较高的准确率，又可以节省参数量。模型的主要结构如下：

 图1. NeXtVLAD模型结构图

关于模型结构的更多细节，请参阅论文：NeXtVLAD: AnEfficient Neural Network to Aggregate Frame-level Features for Large-scaleVideo Classification，https://arxiv.org/abs/1811.05014

 

4.  飞桨NeXtVLAD快速上手

 

飞桨官方实现了论文中的NeXtVLAD单模型结构，并将其开源，赶快来试试吧。

 

• 数据准备

下载2nd-Youtube-8M数据集。

 

• 模型训练

（1）随机初始化开始训练

在PaddleVideo目录下运行如下脚本：

bash ./scripts/train/train_nextvlad.sh

（2）使用预训练模型做finetune

https://paddlemodels.bj.bcebos.com/video_classification/nextvlad_youtube8m.tar.gz并在上述脚本文件中添加“--resume”为所保存的预模型存放路径。使用4卡Nvidia Tesla P40，总的batch size数是160。

（3）训练策略

使用Adam优化器，初始learning_rate=0.0002，每2,000,000个样本做一次学习率衰减，learning_rate_decay =0.8，正则化使用l2_weight_decay = 1e-5

 

• 模型评估

用户可以下载预训练的模型参数，或者使用自己训练好的模型参数。请在./scripts/test/test_nextvald.sh 文件中修改“--weights”参数为保存模型参数的目录，并运行如下命令：

bash ./scripts/test/test_nextvlad.sh

 由于YouTube-8M提供的数据中test数据集是没有ground truth标签的，所以这里使用validation数据集来做测试。

 

模型参数列表如下：

参数	取值
cluster_size	128
hidden_size	2048
groups	8
expansion	2
drop_rate	0.5
gating_reduction	8

 

计算指标列表如下：

精度指标	模型精度
Hit@1	0.8960
PERR	0.8132
GAP	0.8709

 

4. 模型推断

用户可以下载预训练的模型参数，也可以使用自己训练好的模型参数。请在./scripts/infer/infer_nextvald.sh 文件中修改“—weights”参数为保存模型参数的目录，运行如下脚本：

bash ./scripts/infer/infer_nextvald.sh

 

推断结果将会保存在NEXTVLAD_infer_result文件中，使用pickle格式存储。

 

快快自己动手尝试下吧！

 

如果您想详细了解更多飞桨PaddlePaddle的相关内容，请参阅以下文档。

• https://www.paddlepaddle.org.cn

• https://github.com/PaddlePaddle/models/tree/v1.5.1/PaddleCV/PaddleVideo

推荐阅读

（点击标题可跳转阅读）

---

-点击右下角 告诉大家你 “在看” -