1 要点

1.1 概述

• 名称：提案多示例学习 (proposal-based multiple instance learning, P-MIL)

• 背景：弱监督时间动作定位，即仅在视频级标签下定位和识别未修剪视频中的动作。不考虑实例级标签时，已有方法大多使用基于片段的多示例 (S-MIL) 框架。

• 问题：

  1. 如图1(a)所示，测试阶段的目的是将动作提案作为一个整体并打分，而在训练阶段，分类器被训练为给多个片段打分，这样的不一致性将导致次优结果；
  2. 如图1(b)所示，仅通过一个奔跑片段是很难对其归类的，只有通过观察整个动作实例，且使用上下文信息才能判断其具体的归属。
     

• 算法：提出P-MIL算法以处理以上问题，其同时在训练和测试阶段直接分类候选提案，包含以下三个关键点：

  1. 周围对比特征提取模块 (SCFE)：提取有辨别性的短提案
  2. 提案完备性评估模块 (PCE)：利用完备性伪标签抑制低质量提案的产生
  3. 实例秩一致性损失 (IRC)：利用RGB和FLOW的互补性实验最终预测

• 数据集：

  1. THUMOS14
  2. ActivityNet

• 代码：https://github.com/RenHuan1999/CVPR2023_P-MIL

1.2 一些概念

• 提案 (proposal)：包括可能的动作序列和背景序列，分别称为动作提案和背景提案。

1.3 主要步骤

1. 输入RGB视频帧，使用TV-L1将其转换为FLOW帧；
2. 利用I3D将RGB和FLOW转换为多个特征向量；
3. 训练S-MIL模型，分别从RGB特征和FLOW中生成提案；
4. 利用提案和特征向量，生成外内对比特征；
5. 基于提案获取视频级分类分数；
6. 使用提案完备性评估获取完备性伪标签和预测的完备性分数；
7. 训练时，使用实例级秩一致性损失促使RGB和FLOW模式之间分类分数的一致性，额外加入分类损失、系数损失，以及完备性伪标签和完备性分数之间的均方误差。

2 方法

本节主要介绍用于弱监督时间动作定位 (WTAL) 的基于提案的多示例框架 (P-MIL)，图2展示了其主要思想。给定一个视频$\mathbf{V}$，WTAL的目标是预测动作实例的集合$\{(c_i,s_i,e_i,q_i){\}}_{i=1}^{M_p}$，其中$s_i$和$e_i$分别表示第$i$个动作的起始和结束时间，$c_i$和$q_i$分别表示动作类别和置信分数。

在训练阶段，每个视频$\mathbf{V}$仅有视频级标签$\mathbf{y}\in {\mathbb{R}}^C$，其中$C$是动作类别的数量。$y(j)=1$表示视频中包含当前动作，$y(j)=0$则反之。接下来分别介绍P-MIL的的三个关键步骤：

1. 候选提案生成；
2. 提案特征提取和分类；
3. 提案微调。
   

2.1 候选提案生成

为了生成候选提案，需要训练一个S-MIL模型。首先，每个视频被划分为多个不相交的16帧片段，然后使用预训练特征提取器，例如I3D提取RGB和FLOW模式的片段特征${\mathbf{X}}_S\in {\mathbb{R}}^{T\times D}$，其中$T$表示视频中的片段数量，$D$表示特征维度。与典型的2分支架构一致，一个类别无关注意力分支用于计算注意力序列$\mathbf{A}\in {\mathbb{R}}^{T\times 1}$，一个分类分支用于计算基础类别激活序列 (CAS) ${\mathbf{S}}_{base}\in {\mathbf{R}}^{T\times (C+1)}$，其中$C+1$表示背景类。通过在时间维度上${\mathbf{S}}_{base}$与$\mathbf{A}$相乘，得到背景抑制CAS${\mathbf{S}}_{supp}\in {\mathbb{R}}^{C+1}$。随后获取视频级分类分数${\hat{\mathbf{y}}}_{base},$ ${\hat{\mathbf{y}}}_{supp}\in {\mathbb{R}}^{C+1}$分别由后接softmax的时间top-$k$聚合策略应用于${\mathbf{S}}_{base}$和${\mathbf{S}}_{supp}$计算得到。

基于此，分类损失计算为：
$${\mathcal{L}}_{cls}=-\sum _{c=1}^{C+1}\left({\mathbf{y}}_{base}(c)\log {\hat{\mathbf{y}}}_{base}(c)\right)+\left({\mathbf{y}}_{supp}(c)\log {\hat{\mathbf{y}}}_{supp}(c)\right),\text{\hspace{1em}(1)}$$其中${\mathbf{y}}_{base}=[\mathbf{y},1]\in {\mathbb{R}}^{C+1}$，${\mathbf{y}}_{supp}=[\mathbf{y},0]\in {\mathbb{R}}^{C+1}$。此外，稀疏损失${\mathcal{L}}_{norm}=\frac{1}{T}{\sum }_{t=1}^T|\mathbf{A}(t)|$使用，是的注意力序列$\mathbf{A}$可以专注于关键的前景部分。因此，最终的训练模板损失为：
$${\mathcal{L}}_{total}={\mathcal{L}}_{cls}+{\lambda }_{norm}{\mathcal{L}}_{norm},\text{\hspace{1em}(2)}$$其中${\lambda }_{norm}$是平衡因子。

基于训练的S-MIL模型，我们在$\mathbf{A}$上应用多个阈值${\theta }_{act}$，以生成候选动作提案$P_{act}=\{(s_i,e_i){\}}_{i=1}^{M_1}$。为了使得P-MIL在训练阶段更好地分离前景和背景，我们使用额外的阈值${\theta }_{bkg}$来生成背景提案$P_{bkg}=\{(s_i,e_i){\}}_{i=1}^{M_2}$，其中选取$\mathbf{A}$中取值低于${\theta }_{bkg}$的部分。最终，训练阶段的候选提案记为：
$$P=P_{act}+P_{bkg}=\{(s_i,e_i){\}}_{i=1}^M,\text{\hspace{1em}(3)}$$其中$M=M_1+M_2$。注意在推理期间，仅使用动作提案$P_{act}$。

2.2 提案特征提取和分类

给定提案$P$，已有的S-MIL方案使用CAS来计算每个提案的置信分数，例如外内分数 (outer-inner score)。然而，这种间接评分方法将导致次优结果。对此，我们在视频级标签的监督下，直接对候选提案分类，并将它们汇聚为视频级分类分数。

2.2.1 周围对比特征提取

输入提案$P$，首先提取相应的提案特征${\mathbf{X}}_P\in {\mathbb{R}}^{M\times D}$。因为训练阶段仅有视频级标签引导，模型将促使使用具有辨别性的短提案来最小化分类损失。对此，提出了一个周围对比特征特征 (SCFE) 模块。

给定一个候选提案$P_i=(s_i,e_i)$，首先将提案在左右两侧分别延长其长度的$\alpha$倍，得到三个区域：左、内、右。对于每个区域，使用后接max-pooling的RoIAlign在${\mathbf{X}}_S$上提取$D$维特征向量，分别表示为${\mathbf{X}}_i^l$、${\mathbf{X}}_i^n$，以及${\mathbf{X}}_i^r$。一个直观地操作是直接拼接这三个特征并将其传递给全连接层。然后，受AutoLoc启发，我们使用一个更高效的方法来计算外内对比特征：
$${\mathbf{X}}_i=FC(Cat({\mathbf{X}}_i^n-\mathbf{X}.{\mathbf{X}}_i^n,X_i^n-{\mathbf{X}}_i^r)),\text{\hspace{1em}(4)}$$其中Cat表示拼接操作。通过考虑周围信息，辨别性短提案将被有效抑制。

2.2.2 分类头

与S-MIL类似，给定提案特征${\mathbf{X}}_P$，一个类别无关注意力分支用于获取注意力权重$\mathbf{A}\in {\mathbb{R}}^{M\times 1}$，其表示每个提案的前景概率。此外，一个分类分支被用于计算提案的基础分类分数${\mathbf{S}}_{base}\in {\mathbb{R}}^{M\times (C+1)}$。通过乘以$\mathbf{A}$，获得背景抑制分类分数${\mathbf{S}}_{supp}\in {\mathbb{R}}^{M\times (C+1)}$。最终得到视频级分类分数${\hat{\mathbf{y}}}_{base},$ ${\hat{\mathbf{y}}}_{supp}\in {\mathbb{R}}^{C+1}$。

2.3 提案微调

2.3.1 提案完备性评估

通过S-MIL方法获得的候选提案可能过于完备，这将包含一些不相关的背景片段。对此，提出了提案完备性评估 (PCE) 模块。对于候选提案，使用注意力权重来选择高置信度提案作为伪实例，然后通过计算这些伪实例的联合交集 (IoU) 来获取每个提案的完备性伪标签：

1. 首先使用阈值$\lambda \cdot \max (\mathbf{A})$来选择高置信度提案的集合$Q$；
2. 采用非极大值抑制 (NMS) 方法，选择具有最高注意力权重的提案作为伪实例。如果该实例在$Q$中存在，则去除$Q$中的同样提案，直至$Q$为空；
3. 获得伪实例集$G=\{(s_i,e_i){\}}_{i=1}^N$；
4. 计算候选提案$P$和伪实例$G$的IoU，得到$M\times N$的IoU矩阵；
5. 在$N$所在维度上，使用最大的IoU作为提案的伪标签，最终得到完备性伪标签$\mathbf{q}\in {\mathbb{R}}^M$；
6. 基于$\mathbf{q}$，一个和注意力与分类分支平级的完备性分支被引入，用于计算完备性分数$\hat{\mathbf{q}}\in {\mathbb{R}}^M$，这将有助于抑制低质量提案的活性。

2.3.2 实例级秩一致性

在测试阶段的NMS过程中，属于同一动作实例的候选提案的相对分数对检测结果有显着影响。为了习得健壮性相对分数，设计了一个实例级秩一致性 (IRC) 损失来利用RGB和FLOW模式之间的互补性：

1. 首先使用阈值$mean(\mathbf{A})$来消除低置信度提案，保留的提案表示为$R$；
2. 对于$R$中的每个提案$r$，那些与它重叠的候选提案被认为是一个簇${\Omega }_r$，其中$|{\omega }_r|=N_r$；
3. 对应于簇的分类分数${\mathbf{S}}_{base}$分别通过RGB和FLOW模式索引，记为$p_{r,c}^{RGB}$和$p_{r,c}^{FLOW}$，其中$c$表示第$c$个真实类别；
4. 簇内的标准化相对分数记为：
   D r , c ∗ = softmax ( p r , c ∗ ) , ∀ ∗ ∈ { R G B , F L O W } . (5) ag{5} D^*_{r,c}= ext{softmax}(p^*_{r,c}),forall*in{ RGB,FLOW }. Dr,c∗​=softmax(pr,c∗​),∀∗∈{RGB,FLOW}.(5)
5. KL散度用于约束RGB和FLOW模式之间的一致性：
   $$\begin{array}{rl}{\mathcal{L}}_{IRC}=\frac{1}{|R|}\sum _{r\in R}& (\mathrm{KL}\left(D_{r,c}^{FLOW}\Vert D_{r,c}^{RGB}\right)\\ & +\mathrm{KL}\left(D_{r,c}^{RGB}\Vert D_{r,c}^{FLOW}\right)),\\ \mathrm{KL}\left(D_{r,c}^t\Vert D_{r,c}^s\right)=& -\sum _{i=1}^{N_r}{D}_{r,c}^t(i)\log \frac{D_{r,c}^s(i)}{D_{r,c}^t(i)}\end{array}\text{\hspace{1em}(6–7)}$$利用IRC损失，我们可以抛弃低相关分数的提案，以实现可信检测。

2.4 网络训练和推理

2.4.1 网络训练

在训练阶段，损失函数定义为公式1。此外，在PCE模块，完备性损失定义为完备性伪标签$\mathbf{q}$和预测的完备性分数$\hat{\mathbf{q}}$之间的均方误差 (MSE)：
$${\mathcal{L}}_{comp}=\frac{1}{M}\sum _{i=1}^M(\mathbf{q}(i)-\hat{\mathbf{q}}(i){)}^2.\text{\hspace{1em}(9)}$$综上，模型的训练目标为：
$${\mathcal{L}}_{total}={\mathcal{L}}_{cls}+{\lambda }_{comp}{\mathcal{L}}_{comp}+{\lambda }_{IRC}{\mathcal{L}}_{IRC},\text{\hspace{1em}(10)}$$其中$\lambda$是平衡参数。

2.4.2推理

在测试阶段，首先在视频级分类分数${\hat{\mathbf{y}}}_{supp}$使用阈值${\theta }_{cls}$，以抛弃低于${\theta }_{cls}$的类别。对于余下的类别$c$，第$i$个提案的得分记为:
$$\mathbf{s}(i)={\mathbf{S}}_{supp}(i,c)\ast \hat{\mathbf{q}}(i).\text{\hspace{1em}(11)}$$最后，使用按类别soft-NMS去除重复提案。

3 实验

3.1 数据集即评估标准

3.1.1 数据集：

1. THUMOS14：包含来自20个类别的200验证视频和213个测试视频。基于已有工作，验证视频将作为训练集；
2. ActivityNet：包含ActivityNet1.2和ActivityNet1.3两个版本，分别包含100类9682个视频和200类19994个视频。训练集、验证集、测试集的比例分别为2:1:1。基于已有工作，验证集用于评估而不使用测试集。

3.1.2 评估标准

定位性能通过在不同IoU阈值下的平均精度 (mAP) 来评估。

3.2 实现细节

3.2.1 网络架构

1. 特征提取器：Kinetics-400上训练的I3D网络，提取每个片段为1024维向量；
2. 光流帧：TV-L1算法从RGB帧上提取；
3. 类别无关注意力分支：后接sigmoid函数的两个全连接层；
4. 完备性分支：与类别无关注意力分支类似；
5. 分类分支：两个全连接层。

3.2.2 超参数设置

1. 优化器：Adam，器学习率为$5\times 10^{-5}$；
2. 批次：10；
3. 扩展率$\alpha$：0.25；
4. RoI大小：左、内、右区域大小分别为2、8、2；
5. 损失权重：${\lambda }_{comp=20}$、${\lambda }_{IRC}=2$；
6. 时间可变参数：早期的注意力权重缺乏可行度，因此损失权重乘以一个时间可变参数，其将被逐步增加至1；
7. 阈值：${\theta }_{act}=[0.1:0.1:0.9]$、${\theta }_{bkg}=[0.3:0.2:0.7]$、${\theta }_{cls}=0.2$。