《Non-local Neural Networks》论文阅读笔记

Posted 2022-04-02 gnnucv

原文链接： 《Non-local Neural Networks》

这是收录在2018年CVPR中的一篇文章，受计算机视觉中Non-local means算法启发，文中提出non-local block以获取long-range dependencies。由non-local block构建的模型在Kinetics、Charadees数据集和COCO相关任务中都取得较好的效果。

1.研究背景和研究动机

获取long-range dependencies在深度神经网络中至关重要。针对不同数据，获取long-range dependencies的方式也不同。

序列数据主要通过循环操作获取；图像数据主要是通过卷积操作堆叠获取。

卷积和循环操作都是在空间或时间上处理局部邻域；只有重复应用这些操作，才能获取long-range dependencies。重复这些局部区域的操作有以下限制因素：

• 计算效率低；
• 优化更加困难
• 信息在相聚较远位置时难以传递

所以设计了non-local block作为一种高效、简单和通用的组件，用于深度神经网络获取long-range dependencies。

2.使用non-local 的优点

• 与循环和卷积操作相比，non-local操作通过计算任意两个位置之间的交互直接获取long-range dependencies，而不管它们的位置分布如何；
• 即使很少层数也能取得较好的效果；
• 输入大小可变，并且可以很容易地与其他操作（例如，卷积）相结合。

3. non-local networks

定义深度神经网络的non-local操作公式如下：

i代表计算其响应的输出位置（空间、时间或时空）的索引，j 是枚举所有可能位置的索引。x是输入信号（图像、序列、视频；通常是它们的特征），y是与x大小相同的输出信号。 计算i和所有j之间的标量（表示关系，相关或影响程度）。计算位置j处的特征。最后通过做标准化处理。

论文在这个地方也说明了non-local与卷积、循环以及全连接层的不同之处。

• non-local将所有的位置（j）都考虑到；卷积操作是对输入的局部相邻区域进行加权求和；循环操作总是基于当前时间和前一时间进行操作。
• non-local使用相关的函数来表示不同位置间的关系；全连接层则是使用学习到的权重，丢失了不同位置间的相关性；
• non-local的输入是可变化的，并且保证其输出也具有相同的size；全连接层需要固定输入、输出的大小；
• non-local可以用于深度神经网络中的浅层部分；全连接层往往被设置在最后。

 论文中将设置为线性形式，即，其中是可学习的权重矩阵，对于公式（1）中函数的选取，论文中提供了四种方案，分别是：

• Gaussian

 

 设置。

• Embedded Gaussian

 设置，论文还说明了self-attention模块是嵌入式高斯形式non-local操作的特例；（附上self-attention的表达式：）

• Dot product

 设置，N是x中的位置数量，这样做简化了梯度计算。

• Concatenation

 设置，[...,...]表示concatenate，是一个权重向量，它将连接向量转化为一个标量。

• 但是通过实验证明，non-local模型对于f、g函数的选择并不敏感，真正使性能提升的原因还是在于non-local这一操作。

 定义non-local block如下：

是由公式一的non-local操作得到的，与进行一个残差连接（ Residual connection），残差连接可以将一个新的non-local block插入其他任何预训练模型中。

下图是论文中提供的non-local block样例：

 文中提出提升non-local block的方法：

• 将 Wg、Wθ 和 Wφ 表示的通道数设置为 x 中通道数的一半；
• 使用subsampling trick进一步减少计算量。

4.介绍实验针对视频分类所使用的baseline网络

• 2D ConvNet baseline (C2D)：以ResNet-50为主干网络，输入 视频剪辑有 32 帧，每帧 224×224 像素。具体结构如下图：

• Inflated 3D ConvNet (I3D)：通过inflate操作将上面的C2D模型转化为3D卷积模型；文中提出了两种inflate方式：（1）将残差块中3×3的卷积核inflate成3×3×3；（2）将残差块中1×1的卷积核inflate成3×1×1。

 将non-local block插入上述的C2D和I3D网络中，就构建出non-local 网络。

5.实验具体操作细节

• 训练：模型在ImageNet上进行训练；输入是32帧的视频剪辑片段，尺寸是224×224；总共训练400k次迭代次数；初始学习率为0.01，并且每150k衰减10倍学习率；动量和权重衰减分别设置为0.9和0.0001；在全局池化层之后采用 dropout 技术，dropout 比率为 0.5；同时使用 BatchNorm (BN) 来微调的模型。
• 验证：在空间域，将视频短边缩放到256进行卷积推理；在时间域，从全长视频中均匀采样 10 个剪辑，分别计算它们的 softmax 分数。 最终预测是所有剪辑的平均 softmax 分数。

6.在Kinetics数据集上的实验及结果分析

• 图 4 显示了 ResNet-50 C2D baseline与具有 5 个non-local block的 C2D baseline的训练过程曲线。 在整个训练过程中，我们的non-local block C2D 模型在训练和验证错误方面始终优于 C2D baseline。

 

• Table 2a 比较了添加到 C2D baseline的不同类型的单个non-local block。 即使只添加一个non-local block也可以比baseline提高 1%。（这一地方也验证了真正使性能提升的在于non-local这一操作，而不是non-local的类型（因为使用不同non-local得到的结果很接近））；

• Table 2b 比较了添加到 ResNet 不同阶段的单个non-local block。 block被添加到的最后一个残差块之前。 non-local block在 res2、res3 或 res4 上的结果提升很相似，在 res5 上较差一些。 一种可能的解释是 res5 的空间尺寸很小（7×7），不足以提供精确的空间信息。（说明non-local block应该被insert到哪个地方）；

• Table 2c 显示插入更多non-local block的结果。 插入方法是在 ResNet-50 中添加 1 个块（到 res4）、5 个块（3 个到 res4 和 2 个到 res3，每隔一个残差块）和 10 个块（到 res3 和 res4 中的每个残差块）； 在 ResNet-101 中，以相同的方式将它们添加到相应的残差块中。 得到的结论是更多的non-local block会导致更好的结果。 论文说明多个non-local block可以帮助传递在时空中的较远位置的信息。 非局部块的改进不仅仅是因为它们增加了基线模型的深度。；

• Table 2d 表示将non-local block应用在spacetime比单纯应用在space和time上效果好，non-local block可以获取时空信号。

• Table 2e 比较了使用non-local block C2D模型和3D卷积模型在参数、计算量以及精度的结果。证明non-local block+C2D比3D卷积模型更有效（精度比3D模型更高，计算量却更少）；

• Table 2f  中non-local block+I3D的组合相较于原来相应的I3D模型有更好地精度提升，验证non-local block和3D卷积是互补的；

• Table 2g 显示了 输入128 帧剪辑的结果，与表 2f 中的 输入32 帧对应模型结果比较得出，所有模型在更长的输入上都有更好的结果。 这表明论文提出的模型在更长的序列上表现更好。

• Table 3 中显示non-local block+I3D的模型在没有使用光流和其他方法的情况下，仍然比现存的使用RGB或者RGB+光流的方法要好，并且和2017年比赛竞赛第一名的结果相当。

 后面的实验是在Charades数据集和COCO相关任务中进行的，主要还是验证使用non-local block能带来更好的结果。

 

参考及引用：

https://zhuanlan.zhihu.com/p/33345791

https://blog.csdn.net/elaine_bao/article/details/80821306