PRCV2018|美圖短視訊實時分類挑戰賽冠軍解決方案介紹
隊伍介紹
隊名：CASIA-AIRIA。
隊員：史磊（博士在讀），程科（博士在讀）。
指導教師：張一帆副研究員。
單位：中國科學院自動化研究所，中國科學院自動化研究所南京人工智慧晶片創新研究院。
競賽介紹
今年 5 月，美圖公司聯合中國模式識別與計算機視覺學術會議（PRCV2018）共同舉辦的 PRCV2018「美圖短視訊實時分類挑戰賽」正式開賽。來自中科院自動化所、中科院自動化所南京人工智慧晶片創研院的史磊、程科在張一帆副研究員的指導下獲得了 PRCV2018「美圖短視訊實時分類挑戰賽」冠軍。不同於以往只關注分類精度的比賽，本競賽綜合考察「演算法準確率」和「實時分類」兩個方面，將執行時間作為重要指標參與評估，將促進視訊分類演算法在工業界的應用。
以下是冠軍團隊對本次挑戰賽的技術分享總結：
- 資料集介紹
本次競賽使用的短視訊資料集（MTSVRC 資料集）一共有 100,000 個視訊，其中訓練集有 50,000 個視訊，驗證集和測試集分別有 25,000 個視訊。視訊主要以短視訊為主，長度約為 5 - 15s。資料集包含 50 個分類，視訊類別包括舞蹈、唱歌、手工、健身等熱門短視訊型別，除了包含與人相關的一些行為類別，還有一些風景，寵物等類別。圖片 1 展示了一些資料樣例：
由於這些資料的主要來源為手機拍攝的日常視訊，視訊的大小，形狀以及拍攝條件（例如光照，景深）等都不統一，造成了很大的類間差異與類內差異。同時，由於後期處理，視訊經常會有一些特效和與類別無關的文字，也增加了視訊識別的難度。圖片 2 展示了一些困難樣例，這些樣例對模型的設計帶來了很大的挑戰。
- 評測方法
由於競賽同時考慮時間和精度，所以以往的分類誤差不足以評測模型效能。圖片 3 展示了此次競賽所用的評測方法。
其中橙色的三角形是官方提供的基準時間和誤差，只有優於基準方法的成績才被視為有效成績，而其他成績（黑色三角）則被視為無效成績。時間和誤差會根據基準成績歸一化到 0-1 之間。在有效成績中，會找出最小誤差和最短時間的兩個成績（綠色三角形和紅色三角形），然後最小誤差和最短時間會組成一個參考點（藍色圓圈）。最終所有的有效成績都會和參考點計算距離，距離最短的方法視為優勝。從評測方法分析，時間和精度都是很重要的因素。而時間和精度往往是矛盾的，所以必須進行一定的取捨。
視訊解碼
因為時間是一個很重要的因素，而視訊解碼又是一個很費時間的過程，所以如何設計解碼模組是本次競賽中的一個關鍵。我們採用了多執行緒軟解提取關鍵幀的方法。
主流的視訊編碼方式中，每個視訊主要包含三種圖片幀，分別叫做：Intra-coded frame（I 幀），Predictive frame（P 幀）和 Bi-Predictive frame（B 幀）。其中 I 幀是一張完整的圖片。P 幀記錄了與之前的幀的差別，所以在解碼 P 幀時必須要參考之前的圖片幀。而 B 幀不僅需要參考之前的圖片幀，還需要參考之後的圖片幀才能完整解碼。圖片 4 闡明瞭這三個概念 [2]。
顯而易見，P 幀和 B 幀的解碼是相對較慢的，而直接解碼 I 幀則可以獲得更快的速度。同時，由於我們需要解碼不止一幀，所以我們採用了多執行緒的方式，每一個執行緒負責解碼一個關鍵幀。整個解碼過程使用 FFmpeg 實現。
模型設計
解決了解碼問題後，接下來的問題在於如何用所得的多幀來進行分類。
- 主流方法
目前主流的視訊分類的方法有三大類：基於 LSTM 的方法，基於 3D 卷積的方法和基於雙流的方法。圖片 5 展示了這三種框架的大體結構 [3]。
-
基於 LSTM 的方法將視訊的每一幀用卷積網路提取出每一幀的特徵，然後將每一個特徵作為一個時間點，依次輸入到 LSTM 中。由於 LSTM 並不限制序列的長度，所以這種方法可以處理任意長度的視訊。但同時，因為 LSTM 本身有梯度消失和爆炸的問題，往往難以訓練出令人滿意的效果。而且，由於 LSTM 需要一幀一幀得進行輸入，所以速度也比不上其他的方法。
-
基於 3D 卷積的方法將原始的 2D 卷積核擴充套件到 3D。類似於 2D 卷積在空間維度的作用方式，它可以在時間維度自底向上地提取特徵。基於 3D 卷積的方法往往能得到不錯的分類精度。但是，由於卷積核由 2D 擴充套件到了 3D，其引數量也成倍得增加了，所以網路的速度也會相應下降。
-
基於雙流網路的方法會將網路分成兩支。其中一支使用 2D 卷積網路來對稀疏取樣的圖片幀進行分類，另一支會提取取樣點周圍幀的光流場資訊，然後使用一個光流網路來對其進行分類。兩支網路的結果會進行融合從而得到最終的類標。基於雙流的方法可以很好地利用已有的 2D 卷積網路來進行預訓練，同時光流又可以建模運動資訊，所以精度往往也很高。但是由於光流的提取過程很慢，所以整體上制約了這一方法的速度。
綜上所述，主流的方法都不太適用於短視訊實時分類的任務，所以我們特別設計了一個適用於短視訊實時分類的框架。
- 我們的方法
圖片 4 展示了我們的解決方案的整體框架：給定一個視訊，我們首先會從中稀疏取樣固定數量的圖片幀，然後將這些幀組成一個 batch，送入到一個 BaseNet 中。這個 BaseNet 是在已有的 2D 卷積網路基礎上優化改進得到的，具有較強的特徵提取能力。BaseNet 輸出的高層的特徵往往具有很強的語義資訊，但是卻沒有時間上的融合。所以我們特別設計了一個基於幀間注意力機制的融合模型，將 BaseNet 提取的不同幀的特徵作為一個輸入送入融合模型中，最終由融合模型得到預測的結果。由於融合模型比較小，推理速度很快，而且引數量較少，也比較容易訓練。整個模型在 mxnet 上進行構建和訓練。基於這樣的設計，我們的模型可以得到很快的推理速度，同時又不會損失太多精度。
模型壓縮
當有了訓練好的模型後，為了進一步提高速度，模型壓縮是必不可少的。因為計算平臺是 GPU，所以我們使用了兩種比較適用於 GPU 的方法：剪枝和量化。
- 模型剪枝
由於需要在 GPU 上運算，這裡我們主要考慮在通道維度的剪枝。假設卷積的引數是具有稀疏性的，我們剪掉其中一些不重要的引數，網路仍然可以達到之前的精度。
剪枝過程分為兩步：首先，我們會基於 LASSO 迴歸來找到每一層中最具代表性的通道，然後將沒用的通道去掉，再使用平方差損失微調剪枝後的網路來最小化重構誤差。這樣的操作會對每一層分別進行，經過幾輪迭代後便可以達到不錯的壓縮效果，同時還可以保證精度不會損失太多。
- 模型量化
由於比賽提供的 GPU 是支援 int8 計算的，所以我們考慮將原來的基於 float32 資料型別訓練的模型轉換為 int8 的資料形式進行推斷，也就是量化操作。這裡我們採用的比較簡單的線性量化，也是 TensorRt 中使用的方法 [4]。
假設每個張量的資料符合均勻分佈，那麼其中的每一個元素就可以表示為一個 int8 數和一個 float32 的比例因子相乘的結果。比例因子是對於整個陣列共享的。這樣在張量間進行相乘運算時就可以先進行 int8 的計算，最後再統一乘上比例因子，從而加快運算。那麼接下來的問題在於如何確定比例因子，比例因子的作用是將原始張量的數值範圍對映到 -127 到 127（int8 的數值範圍）。由於大多數情況資料並不是完全的均勻分佈，所以直接對映會造成精度損失。
為了解決這個問題，TensorRt 中會對每一層的資料分佈進行統計，然後根據得到的分佈確定一個閾值（如圖片 9）。在對映的過程中，閾值之外的數會被統一對映到 -127 和 127 之 間，閾值之內的資料會假設為一個均勻分佈然後進行對映。這樣就可以保證在加快速度的同時也不至於有較大的精度損失。
總結
我們的解決方案可以歸納為三個部分：視訊解碼部分，我們採用了多執行緒提取 I 幀的方式。模型設計部分，我們採用了稀疏取樣與幀間注意力融合的方法。模型壓縮部分，我們採用了通道剪枝和量化的方法。最終我們的解決方案在測試集上的速度為平均每個視訊 58.9ms，精度為 87.9%。
參考文獻
[1]「AI Challenge | Introduction.」[Online]. Available: https://challenge.ai.meitu.com/mtsvrc2018/introduction.html . [Accessed: 21-Nov-2018].
[2]「視訊壓縮影象型別,」維基百科，自由的百科全書. 08-Jul-2018.
[3] J. Carreira and A. Zisserman,「Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset,」in The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017.
[4] S. Migacz,「8-bit Inference with TensorRT.」[Online]. Available: http://on-demand.gputechconf.com/gtc/2017/presentation/s7310-8-bit-inference-with-tensorrt.pdf .
