前言

论文地址：arxiv
代码地址：github

这是视频理解的一篇paper，说是多模态的原因主要是该结构结合了视频embedding，音频embedding等特征做视频分类，可以说就是多模态融合了。

注：该paper赢得了Youtube 8M Kaggle Large-Scale Video understading比赛冠军，比赛地址：传送门.

系列文章

更新中…

动机

比赛类的文章好像没有什么动机的说法？看了下简介感觉基本都是受到别的paper的启发，然后试试某个结构在这个领域的效果，发现work了就拿来用了。

• 比赛提供了视频对应的图像帧特征，以及音频特征，因此本文不在特征提取部分做贡献
• 基于上一条，本文主要在特征融合的方向上作贡献，以往的方法主要用LSTM或者GRU对时序特征进行建模，还有些其他方法不对时序建模的话就直接用简单的sum、meam或者复杂一些的BOW、VLAD等来表征整体序列特征的融合特征。本文作者主要承接BOW、VLAD等方法来研究特征融合。
• 受到LSTM、GRU的门控单元的启发，作者设计一种视频分类架构，将非时间聚合与门控机制相结合，就是后文中的context gating层。

结构

完整的结构很简洁，为了方便理解，本文模块化的介绍论文结构，先介绍整体的结构最后再介绍各个模块的具体实现。

1、首先是浅蓝色的video features，可以理解是比赛提供的视频抽帧的图像特征，比如一个视频固定抽10帧，然后假设用比较典型的resnet50抽图像特征一般就是2048维度的向量，所以可以理解图示的video features就是一个(10,2048)的特征。
2、audio features应该一般就是将整个音频转成了embedding，有时候音频比较长可能会分几段抽特征，假设分了5段，每段音频抽得到的特征纬度1024，所以就得倒(5,1024)的特征。
3、绿色的learnable pooling部分，就是在动机中提到的作者尝试了多种特征融合的方法，比如有BOW，VLAD，NetVLAD等，这个模块的输入是(N,D)的形状，输出是(1,d)的形状，小写的d是因为输入输出的纬度不一定相等可以是任意维度，就是把N个特征融合成了1个的意思。
4、因此从图像特征的pooling模块拿到的(1,d_v)的特征和音频特征的pooling模块拿到的(1,d_a)的特征在最后一个纬度进行concat操作得到视频和音频的融合特征(1,d_a+d_v)。
5、这个concat的特征送到图中绿色的FC layer中，这个FC layer看了下作者的源码就是一层全连接层加BN层以及激活函数（FC+BN+relu6）。
6、接下来送到context Gating层中，这就是抄的GLU的门控层，原文：作者希望在输入表示的激活之间引入非线性相互作用。其次，希望通过自动门控机制重新校准的输入的不同激活值。 人话：用激活函数来选择多少输入特征需要保留。
7、出了context Gating后送入到MOE中，MOE可以简单的理解用输入对不同的expert的输出做加权。
8、MOE输出又接了一个context Gating。
9、最后输出的特征拿来分类并计算loss。

我实现的结构代码示例：

基本就是1:1按照论文结构实现的。

模块详解

NetVLAD

这两个讲的比较清楚了：
1、知乎NetVLAD
2、论文笔记：NetVLAD: CNN architecture for weakly supervised place recognition

FC层

直接上代码了：

self.MLP = nn.Sequential(
            nn.Linear(in_dim, out_dim),
            nn.BatchNorm1d(out_dim),
            nn.ReLU6()
        )
1
2
3
4
5

context gating

上公式：

X是输入的特征，WX+b就是将X送到一个全连接层，f就是非线性函数，比如说sigmoid或者relu等，作者用的是sigmoid。

MOE

MOE就是将输入送入n个expert，每个expert的结构一样但是参数不一样，就可以得到n个输出了，然后用输入经过一个全连接层输出是n个分数对n个experts的输出做加权得到最后的输出。

class Expert_model(nn.Module):
    def __init__(self, input_size, output_size, hidden_size):
        super(Expert_model, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.fc2 = nn.Linear(hidden_size, output_size)
        self.relu = nn.ReLU()
        self.log_soft = nn.LogSoftmax(1)

    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        out = self.log_soft(out)
        return out

class MOE(nn.Module):

    def __init__(self, input_size, output_size, expert_num, hidden_size=64):
        super().__init__()
        self.input_size = input_size
        self.output_size = output_size
        self.expert_num = expert_num
        self.hidden_size = hidden_size

        self.experts = nn.ModuleList(
            [Expert_model(self.input_size, self.output_size, self.hidden_size) for i in range(self.expert_num)])

        self.w_gate = nn.Linear(self.input_size, self.expert_num)

    def forward(self, x):
        # 我喜欢加一个sigmoid将gate的输出回归到0-1之间，可以防止梯度消失
        gate_weight = self.w_gate(x).sigmoid().softmax(dim=-1) # bs, expert_num
        expert_outputs = [self.experts[i](x) for i in range(self.expert_num)]
        expert_outputs = torch.stack(expert_outputs) # expert_num, bs, dim

        gate_weight_expert = torch.einsum("bn,nbd->bd", gate_weight, expert_outputs)
        return gate_weight_expert
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

实验

以上就是论文的完整结构，实验结果有一些提升，但是发现一个比较严重的现象根据训练和验证的loss变化发现这个结构特别容易过拟合。
因此尝试了在MOE的FC层后面加dropout层，以及其他的一些FC层后加Dropout层都是有效的，比较明显的拟制了过拟合，并且指标还有一定的涨幅～