ECCV 2020最佳論文講了啥？作者為ImageNet一作、李飛飛高徒鄧嘉

蕭簫 發(fā)自 凹非寺
量子位 報(bào)道 | 公眾號(hào) QbitAI

作為計(jì)算機(jī)視覺三大頂會(huì)之一，備受矚目的ECCV 2020（歐洲計(jì)算機(jī)視覺國(guó)際會(huì)議）最近公布了所有獎(jiǎng)項(xiàng)。

其中，最佳論文獎(jiǎng)被ImageNet一作、李飛飛高徒鄧嘉及其學(xué)生摘得。

這篇名為《RAFT: Recurrent All-Pairs Field Transforms for Optical Flow》的論文，究竟講了啥？

一起來(lái)學(xué)習(xí)一下。

視頻中的「光流預(yù)測(cè)」

在解讀這篇論文前，先來(lái)大致回顧一下論文涉及的領(lǐng)域，即光流預(yù)測(cè)。

光流預(yù)測(cè)是什么

在計(jì)算機(jī)視覺中，光流是一個(gè)有關(guān)物體運(yùn)動(dòng)的概念，指在一幀視頻圖像中，代表同一目標(biāo)的像素點(diǎn)到下一幀的移動(dòng)量，用向量表示。

根據(jù)光流的亮度恒定假設(shè)，同一物體在連續(xù)的幀間運(yùn)動(dòng)時(shí)，像素值不變（一只小鳥不會(huì)在運(yùn)動(dòng)時(shí)突然變成鴨或者飛機(jī)）。

所以這個(gè)運(yùn)動(dòng)的過(guò)程，就像是光的“流動(dòng)”過(guò)程，簡(jiǎn)稱光流，預(yù)測(cè)光流的過(guò)程，就被稱之為光流預(yù)測(cè)。

應(yīng)用上，光流通常會(huì)用于視頻中的目標(biāo)跟蹤，例如TLD算法。

此外，光流還可以作為視覺里程計(jì)和SLAM同步定位，以及視頻動(dòng)作識(shí)別和視頻插幀等。

先前光流預(yù)測(cè)法的缺陷

根據(jù)是否選取圖像稀疏點(diǎn)（特征明顯，梯度較大），可以將光流預(yù)測(cè)分為稀疏光流和稠密光流，如下圖左和右。

其中，稀疏光流會(huì)選取圖像稀疏點(diǎn)進(jìn)行光流估計(jì)；而在稠密光流里，為了表示方便，會(huì)使用不同的顏色和亮度表示光流的大小和方向。

針對(duì)這兩種方法，目前有傳統(tǒng)預(yù)測(cè)和基于深度學(xué)習(xí)的兩種經(jīng)典算法。

1、傳統(tǒng)方法：稀疏光流估計(jì)算法

求解光流預(yù)測(cè)算法前，首先要知道孔徑問題。

如圖，從圓孔中觀察移動(dòng)條紋的變化，發(fā)現(xiàn)條紋無(wú)論往哪個(gè)方向移動(dòng)，從圓孔來(lái)看，移動(dòng)的變化都是一致的。

例子再通俗一點(diǎn)，看看發(fā)廊的旋轉(zhuǎn)燈，燈上的條紋看起來(lái)總在往上走（其實(shí)沒有）。

其中一種傳統(tǒng)的Lucas-Kanade算法，是求解稀疏光流的方法，選取了一些可逆的像素點(diǎn)估計(jì)光流，這些像素點(diǎn)是亮度變化明顯（特征明顯）的角點(diǎn)，借助可逆相關(guān)性質(zhì)，預(yù)測(cè)光流方向。

2、深度學(xué)習(xí)方法：FlowNet

FlowNet是CNN用于光流預(yù)測(cè)算法的經(jīng)典例子。

在損失設(shè)計(jì)上，對(duì)于每個(gè)像素，損失定義為預(yù)測(cè)的光流值和真值（groundtruth）之間的歐氏距離，稱這種誤差為EPE，全稱End-Point-Error。

當(dāng)然，說(shuō)到這里，不得不提一句光流預(yù)測(cè)的經(jīng)典數(shù)據(jù)集FlyingChairs（飛椅）。

為了模擬目標(biāo)的多種運(yùn)動(dòng)方式，飛椅數(shù)據(jù)集將虛擬的椅子疊加到背景圖像中，并將背景圖和椅子用不同的仿射變換，得到對(duì)應(yīng)的另一張圖。

△?畫風(fēng)有點(diǎn)像玩?zhèn)€錘子

這個(gè)數(shù)據(jù)集也成為許多光流預(yù)測(cè)網(wǎng)絡(luò)必備的數(shù)據(jù)集之一。

然而，上述基于深度學(xué)習(xí)的經(jīng)典光流預(yù)測(cè)算法，存在著幾個(gè)缺點(diǎn)，無(wú)論怎么優(yōu)化，這些缺點(diǎn)都會(huì)因?yàn)榭蚣茏陨矶恢贝嬖凇?/p>

但在RAFT，這個(gè)全稱光流循環(huán)全對(duì)場(chǎng)變換的框架中，過(guò)往的3大缺點(diǎn)都被一一解決了：

突破局限，三點(diǎn)創(chuàng)新

第一，先前的框架普遍采用從粗到細(xì)的設(shè)計(jì)，也就是先用低分辨率估算流量，再用高分辨率采樣和調(diào)整。

相比之下，RAFT以高分辨率維護(hù)和更新單個(gè)固定的光流場(chǎng)。

這種做法帶來(lái)了如下幾個(gè)突破：低分辨率導(dǎo)致的預(yù)測(cè)錯(cuò)誤率降低，錯(cuò)過(guò)小而快速移動(dòng)目標(biāo)的概率降低，以及超過(guò)1M參數(shù)的訓(xùn)練通常需要的迭代次數(shù)降低。

第二，先前的框架包括某種形式上的迭代細(xì)化，但不限制迭代之間的權(quán)重，這就導(dǎo)致了迭代次數(shù)的限制。

例如，IRR使用的FlowNetS或PWC-Net作為循環(huán)單元，前者受網(wǎng)絡(luò)大?。▍?shù)量38M）限制，只能應(yīng)用5次迭代，后者受金字塔等級(jí)數(shù)限制。

相比之下，RAFT的更新運(yùn)算是周期性、輕量級(jí)的：這個(gè)框架的更新運(yùn)算器只有2.7M個(gè)參數(shù)，可以迭代100多次。

第三，先前框架中的微調(diào)模塊，通常只采用普通卷積或相關(guān)聯(lián)層。

相比之下，更新運(yùn)算符是新設(shè)計(jì)，由卷積GRU組成，該卷積GRU在4D多尺度相關(guān)聯(lián)向量上的表現(xiàn)更加優(yōu)異。

光流預(yù)測(cè)的效果

話不多說(shuō)，先上RAFT光流預(yù)測(cè)的效果圖。

這是在Sintel測(cè)試集上的效果展示，最左邊是真值，最右邊是RAFT預(yù)測(cè)的光流效果，中間的VCN和IRR-PWC是此前效果較好的幾種光流預(yù)測(cè)框架。

可以看出，相較于中間兩個(gè)框架的預(yù)測(cè)效果，RAFT的預(yù)測(cè)不僅邊界更清晰，而且運(yùn)動(dòng)的大小和方向準(zhǔn)確（看顏色）。

此外，在KITTI數(shù)據(jù)集上的預(yù)測(cè)效果也非常不錯(cuò)。

圖左的幾輛小車被清楚地預(yù)測(cè)了出來(lái)，而圖右中，駕駛方向不同的車輛也能用不同的顏色（紅、藍(lán)）區(qū)分標(biāo)記。

不僅小視頻，在1080p的高分辨率視頻（DAVIS數(shù)據(jù)集）中，光流預(yù)測(cè)的效果也非常不錯(cuò)。

有意思的是，在訓(xùn)練參數(shù)（下圖橫軸）幾乎沒有明顯增加的情況下，RAFT在一系列光流預(yù)測(cè)框架中，EPE誤差（下圖縱軸）做到了最小。

由上圖可見，團(tuán)隊(duì)同時(shí)推出了5.3M參數(shù)量和1.0M輕量級(jí)的兩個(gè)框架，EPE誤差效果均非常好。

從效果來(lái)看，在KITTI數(shù)據(jù)集上，RAFT的F1-all誤差是 5.10%，相比此前的最優(yōu)結(jié)果（6.10%）減少了16%；在Sintel數(shù)據(jù)集上，RAFT只有2.855像素的端點(diǎn)誤差（End-Point-Error），相比先前的最佳結(jié)果（4.098 像素）減少了30%。

不僅推理效率高，而且泛化能力強(qiáng)，簡(jiǎn)直就是光流預(yù)測(cè)中各方面超越SOTA的存在。

那么，RAFT的框架究竟是怎么設(shè)計(jì)的呢？

高性能端到端光流網(wǎng)絡(luò)架構(gòu)

從圖中可見，RAFT框架主要由三個(gè)部分構(gòu)成：特征編碼器、相關(guān)聯(lián)層（correlation layer）和基于GRU的更新運(yùn)算器。

其中，特征編碼器主要用來(lái)從輸入的2張圖中提取每個(gè)像素的特征，期間也包括一個(gè)上下文編碼器，專門用來(lái)提取圖1的特征。

至于相關(guān)聯(lián)層，則構(gòu)建了一個(gè)4D的W×H×W×H相關(guān)聯(lián)向量，用于表示所有特征向量對(duì)的點(diǎn)積（內(nèi)積）。當(dāng)然，這個(gè)4D向量的后2維會(huì)被多尺度采樣，用于構(gòu)建一系列多尺度向量。

下圖是構(gòu)建相關(guān)聯(lián)向量的方法，從圖中可見，作者將用了幾個(gè)2D片段來(lái)描述一整個(gè)4D向量。

在圖1的一個(gè)特征向量中，構(gòu)建了圖2中所有向量對(duì)的點(diǎn)積，從而生成了一個(gè)4D的W×H×W×H向量（其中，圖2的每個(gè)像素產(chǎn)生一個(gè)2D的響應(yīng)圖）。

這樣，就能用大小為{1，2，4，8}的卷積核對(duì)向量進(jìn)行平均采樣了。

而更新操作器，則通過(guò)光流預(yù)測(cè)，來(lái)重復(fù)更新光流，以展現(xiàn)這一系列多尺度向量的向量值。

總結(jié)歸納一下，RAFT的框架流程分為三步，對(duì)每個(gè)像素提取特征，計(jì)算所有像素對(duì)的相關(guān)性，高效迭代更新光流場(chǎng)。

目前，RAFT框架已經(jīng)放出了GitHub的項(xiàng)目鏈接，想要學(xué)習(xí)代碼、或者復(fù)現(xiàn)的小伙伴們，可以戳文末傳送門~

作者介紹

這篇論文的第一作者是Zachary Teed。

Zachary Teed目前在普林斯頓大學(xué)讀博，是視覺與學(xué)習(xí)實(shí)驗(yàn)室的一名成員，導(dǎo)師為鄧嘉。目前的主要研究方向?yàn)橐曨l3D重建，包括運(yùn)動(dòng)、場(chǎng)景流和SLAM中的結(jié)構(gòu)。

此前，他曾獲圣路易斯華盛頓大學(xué)的計(jì)算機(jī)科學(xué)學(xué)士學(xué)位，并在那里取得了Langsdorf 獎(jiǎng)學(xué)金和 McKevely研究獎(jiǎng)。

而論文二作，則是普林斯頓大學(xué)計(jì)算機(jī)科學(xué)系助理教授鄧嘉。

鄧嘉曾于2006年本科畢業(yè)于清華大學(xué)計(jì)算機(jī)系，隨后赴美國(guó)普林斯頓大學(xué)讀博。

2007 年，李飛飛回到他的母校普林斯頓大學(xué)任職后便開始啟動(dòng) ImageNet 項(xiàng)目，李凱教授作為支撐，將鄧嘉介紹到李飛飛的實(shí)驗(yàn)組中，2012 年鄧嘉于普林斯頓大學(xué)獲計(jì)算機(jī)科學(xué)博士學(xué)位。

這并非他第一次獲ECCV最佳論文獎(jiǎng)。

2014 年，鄧嘉就曾憑借論文《Large-Scale Object Classification Using Label Relation Graphs》獲得當(dāng)年的ECCV最佳論文獎(jiǎng)，并且是該研究的第一作者。

除此之外，他也是ImageNet論文的第一作者。

傳送門

論文鏈接：
https://arxiv.org/abs/2003.12039

項(xiàng)目鏈接：
https://github.com/princeton-vl/RAFT