【DL輪読会】VideoMix: Rethinking Data Augmentation for Video Classification

DEEP LEARNING JP [DL Papers] VideoMix: Rethinking Data Augmentation for Video Classification 1 Takumi Ohkuma, Nakayama Lab D1 http://deeplearning.jp/

• http://deeplearning.jp/

2 書誌情報 • 題名：VideoMix: Rethinking Data Augmentation for Video Classification • 出典：Arxiv (2020/12/07に投稿) • 著者：Sangdoo Yun ら5名（韓国のNAVERの研究チーム） • URL：https://arxiv.org/abs/2012.03457v1 スライド中の出典の明記されていない図表は、本論文の出典である

• https://arxiv.org/abs/2012.03457v1

3 概要 • これまであまり研究されてこなかった動画向けData Augmentation手法に関する研究 • 画像用のData Augmentation手法であるCutMixを拡張し、動画認識に有効なData Augmentation手法を提案 • 基本的にはAction Recognition (行動分類) に用いる手法であるが、 それ以外にも「Weakly Supervised Temporal Action Localization」, 及び 「Action Detectionへの転移性能」で、既存 のData Augmentationを上回る精度を実現

4 論文の背景 • 深層学習を持ちいた画像認識では、過学習を防ぎ精度を上げるためにData Augmentation (DA) が用いられる • 画像認識に関するDAでは大きな研究成果が報告されている一方、動画認識に対する研究は 殆ど行われてこなかった （画像に対するDAがそのまま用いられてきた） • 動画には時間軸が存在する為、画像に対するDAでは見られない方向性への考察余地があり、 より動画にフィットしたDAを提案できる可能性

5 Data Augmentation • Data Augmentation (DA) は、学習データに変換を加 えることでデータの多様性を増やして学習の精度を 上げる、言わずと知れた深層学習の必須事項 • DAには様々な種類があり、右図に示しているよう な、左右反転・拡大・回転等が一般的に用いられる • このようなDAを複数組み合わせるRandAugment [1] 等の手法も提案されており、本研究における比較手 法として用いられている。 大熊 (本スライド作成者) の修士論文より引用

6 Data Augmentation 2 • 本研究では、比較手法として以下のMixup [2], Cutout [3], CutMix [4]も用いている • Mixupは異なるクラスの二つの画像のRGBの平均を取り、ラベルも平均化する • Cutoutは画像の一部を欠損させる • Cutmixは画像の一部を欠損させ、その部分に他のクラスの画像を張り付ける ラベルは各画像の面積の割合に応じた値とする [4] より引用

7 VideoMix • 本論文ではVideoMixと呼ばれる行動分類向けDA手法を提案する • VideoMixはCutMixの動画向けの拡張手法であり、一つの動画の縦・横に加え時間方向の一部 を欠損させ、その部分にほかの動画を埋め込む アルゴリズム 1. 入力動画を𝑥 ∊ ℝ𝑇×𝑊×𝐻 (𝑇: フレーム数, 𝑊: 幅, 𝐻: 高さ)、𝑦をクラスラベル (1-hot) とする 2. 訓練データの中から2つの動画 (𝑥𝐴 , 𝑦𝐴 ), (𝑥𝐵 , 𝑦𝐵 ) をランダムにサンプリングする 3. バイナリマスク 𝐌 ∊ {0, 1}𝑇×𝑊×𝐻 を定義し、 𝑥෤ = 𝐌⨀𝑥𝐴 + 1 − 𝐌 ⨀𝑥𝐵 , 𝑦෤ = λ𝐌 ⨀𝑦𝐴 + 1 − λ𝐌 ⨀𝑦𝐵 とし (𝑥, ෤ 𝑦) ෤ 変換後のデータとする ただし、 λ𝐌 = 1 σ 𝐌 𝑇𝑊𝐻 𝑡,𝑤,ℎ 𝑡,𝑤,ℎ とする（変換後の動画のうち、動画Aの占める体積に相当）

8 VideoMixの種類 VideoMixはCutMixの拡張であり、欠損領域は時間・縦・横に対して直方体とする 1, if 𝑡1 < 𝑡 < 𝑡2 , 𝑤1 < 𝑤 < 𝑤2 , 𝑎𝑛𝑑 ℎ1 < ℎ < ℎ2 具体的には、 𝐌𝑡,𝑤,ℎ ≔ ቊ と定義する 0, 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒 𝑡1 , 𝑡2 , 𝑤1 , 𝑤2 , ℎ1 , ℎ2 の値はサンプリングにより決定する（後述） 更にサンプリングを行う次元の組み合わせによって以下の3種類のVideoMixを定義する １、Spatial VideoMix (w, hに関してサンプリングを行い、(𝑡1 , 𝑡2 ) = (0, T) とする) ２、Temporal VideoMix (tに関してサンプリングを行い、 (𝑤1 , 𝑤2 , ℎ1 , ℎ2 ) = (0, W, 0, H) とする) ３、Spaito-temporal VideoMix (t, w, hすべてに関してサンプリングを行う)

9 サンプリング方法 • 𝑡, 𝑤, ℎの任意の文字を𝑧, それに対応する𝑇, 𝑊, 𝐻を𝑍と表したとき、以下の手順で𝑧1 , 𝑧2 のサン プリングが行われる 1. λをベータ分布𝐵(α, α)からサンプリングする （本論文ではα = 1としており、この場合一様分布𝑈𝑛𝑖𝑓(0, 1)と等しくなる） 2. 𝑧𝑐 を一様分布𝑈𝑛𝑖𝑓(0, 𝑍)からサンプリングする 3. サンプリングで得られたλ, 𝑧𝑐 を用いて 𝑧1 = max 0, 𝑧𝑐 − 𝑍 λ 2 , 𝑧2 = min 𝑍, 𝑧𝑐 + これにより、 𝑧𝑐 を中心として前後 この作業を必要な𝑡, 𝑤, ℎに対して行う 𝑍 λ 2 𝑍 λ 2 と定義する の区間が欠損する

10 実験 • Action Recognition (行動分類) 用データセット Kinetics-400 [5] 及びそのsubsetであるminiKinetics-200に対する実験がメイン （Kinetics-400は、400クラス, 240K train, 20K validation動画からなるデータセット） （mini-Kinetics-200は、200クラス, 80K train, 5K validation動画からなるデータセット） • （本資料では詳しく説明しないが）SlowOnly [6], SlowFast [6], ip-CSN [7] という、高い精度 を達成している3DCNNベースの行動分類モデルを用いる • Spatial VideoMix, Temporal VideoMix, 及び Spaito-temporal VideoMix について実験を行い、 最も性能の良いものを提案手法VideoMixとして扱う • VideoMixの有効性を示すために、RandAugment, Mixup, Cutout, CutMixとの精度比較を行う

11 結果 • 右の表はmini-Kinetics-200に対する結果を示す （モデルはSlowOnly-34 (8×8)） • 三種類ののVideoMixの精度比較に関しては Spatial VideoMixが最も精度が高い 3種類のVideoMixの比較 • Spatial VideoMixを提案手法として扱い、 以降単にVideoMixと表記する • 他のDAとの比較した結果、VideoMixを用いた 場合の精度がTop1, Top5共に最も高い 他のDAとの比較

12 結果2 • 前スライドではSlowOnly-34 (8×8)に対する有効性を示 したが、他の4種類のモデルに対しても手法の優位性を 確認できる • λのサンプリングに用いたαは、精度にあまり影響を及 ぼさない モデルを変えた場合の比較 • Mixする確率を0.5とすると少し精度が下がる （デフォルトは1.0） • 3つ以上に動画をMixするのは有効ではない （大きく精度が下がる） • 時間的な方向を無視して各フレームごとにMixを行うと 精度が下がる（Per-frame VideoMix） 条件を変えた場合の比較

13 考察 • Epoch数とValidation loss と acc.を比較して、過学習を防 いでいると主張しているが、ちょっと納得できない （精度は上がっているが、過学習との関係性が不明瞭） • spatio-temporal CAM [8] を用いてモデルがとこに着目し ているかを可視化 （CAMは特徴マップのActivation値を、各クラスに対し て可視化する手法） • 「ハーモニカ演奏」と「アメフトのパス」のMixに対す る可視化の例では、ハーモニカの手や口部分、アメフト ボールが存在するフレームに対してフォーカスが集まり、 背景部分のみからの判断が防がれている • w/o VideoMixとの比較も見てみたい

14 Weakly Supervised Temporal Action Localization • Weakly Supervised Temporal Action Localization (WSTAL) は、クラスラベルのみが付与され た動画を学習に用い（Weakly Supervised）、特定のアクションが行われているフレームを 検出する（Temporal Action Localization）タスク • データセットはTHUMOS’14 [9]、手法は I3D T-CAM [10]を用いる （THUMOS’14 は101クラスのアクションラベルと正解フレームラベルを持っているが、今 回の学習では、正解フレームラベルは用いない） • 本タスクではTemporal VideoMix (Spatialではない) を用いて行動分類タスクの学習を行い、 学習されたモデルのT-CAMを用いて、アクションが行われている区間の予測を行う

15 結果 • 右の表に結果を示す （Optical Flowを使う場合と使わない場合に分けて 示している） • 比較対象はMixupと、WSTAL向けに提案されたDA手 法であるHide-and-Seek [11] である （Hide-and-Seekは、画像をパッチに分割してその 一部を隠すという手法で、Cutoutと似ている） • VideoMixはここでも優位な精度を実現した

16 Action Detection • Action Detectionは、特定の動作が行われているフレーム及び場所 (Bounding Box) を予測す るタスク • 本タスクでは、Kinetics-400を用いた行動分類タスクによる事前学習を行い、その際に VideoMixを用いる （Action Detectionでは動画の一部を欠損させるわけにはいかないので、Fine-tuningでは VideoMixを用いない） • データセットはAVA v2.2 [12]、モデルはBackboneにSlowOnlyやSlowFastを用いたFaster RCNN [13] の三次元拡張モデル用いる（詳細は割愛）

17 結果 • 右図に結果より、VideoMixを用いたPretrainingを 行った場合の方が精度が高いことが確認できる • これによりVideoMixを用いた学習は、行動分類以外 の動画タスクに対する転移性能を上げる効果もある ことが確認できた

18 まとめ • 今まであまり研究されてこなかった動画に対するDAに着目した研究 • 画像を欠損させ、別の画像を挿入するCutMixと呼ばれるDAを行動分類向けに拡張した手法 VIdeoMixを提案し、有効性を確認 • VideoMixは行動分類以外にも、Weakly Supervised Temporal Action Localizationや、Action Detectionに対する事前学習といった幅広い動画認識タスクに対して有効であることが確か められた（下図参照）

19 感想 • Simple is Best というしかない結果が得られている • 結局手法に関する新規性は、CutMixをシンプルに動画へ拡張し、最も精度の高いSpatial CutMixを 提案手法としているくらい？ • 複雑な試みは悉く精度につながっていない（3動画以上の混合、複雑なベータ分布） • 考察に関してはやや弱いような気がする • 精度の上がった理由を無理やりこじつけてる感が否めない • 動画×DAの方向性はまだできることが沢山ありそう

20 引用 1. Ekin D Cubuk, Barret Zoph, Jonathon Shlens, and Quoc V Le. Randaugment: Practical data augmentation with no separate search. arXiv preprint arXiv:1909.13719, 2019. 2. Hongyi Zhang, Moustapha Cisse, Yann N Dauphin, and David Lopez-Paz. mixup: Beyond empirical risk minimization. arXiv preprint arXiv:1710.09412, 2017. 3. Terrance DeVries and Graham W Taylor. Improved regularization of convolutional neural networks with cutout. arXiv preprint arXiv:1708.04552, 2017. 4. Sangdoo Yun, Dongyoon Han, Seong Joon Oh, Sanghyuk Chun, Junsuk Choe, and Youngjoon Yoo. Cutmix: Regularization strategy to train strong classifiers with localizable features. In Proceedings of the IEEE International Conference on Computer Vision, pages 6023–6032, 2019. 5. Will Kay, Joao Carreira, Karen Simonyan, Brian Zhang, Chloe Hillier, Sudheendra Vijayanarasimhan, Fabio Viola, Tim Green, Trevor Back, Paul Natsev, et al. The kinetics human action video dataset. arXiv preprint arXiv:1705.06950, 2017. 6. Christoph Feichtenhofer, Haoqi Fan, Jitendra Malik, and Kaiming He. Slowfast networks for video recognition. In Proceedings of the IEEE International Conference on Computer Vision, pages 6202–6211, 2019. 7. Du Tran, Heng Wang, Lorenzo Torresani, and Matt Feiszli. Video classification with channel-separated convolutional networks. In Proceedings of the IEEE International Conference on Computer Vision, pages 5552–5561, 2019.

21 引用 8. Bolei Zhou, Aditya Khosla, Agata Lapedriza, Aude Oliva, and Antonio Torralba. Learning deep features for discriminative localization. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 2921–2929, 2016. 9. Y.-G. Jiang, J. Liu, A. Roshan Zamir, G. Toderici, I. Laptev, M. Shah, and R. Sukthankar. THUMOS challenge: Action recognition with a large number of classes. http://crcv.ucf.edu/THUMOS14/, 2014. 10. Joao Carreira and Andrew Zisserman. Quo vadis, action recognition? a new model and the kinetics dataset. In proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 6299–6308, 2017. 11. Krishna Kumar Singh and Yong Jae Lee. Hide-and-seek: Forcing a network to be meticulous for weakly-supervised object and action localization. In 2017 IEEE International Conference on Computer Vision, pages 3544–3553. IEEE, 2017. 12. Chunhui Gu, Chen Sun, David A Ross, Carl Vondrick, Caroline Pantofaru, Yeqing Li, Sudheendra Vijayanarasimhan, George Toderici, Susanna Ricco, Rahul Sukthankar, et al. Ava: A video dataset of spatio-temporally localized atomic visual actions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 6047– 6056, 2018. 13. Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun. Faster r-cnn: Towards real-time object detection with region proposal networks. In Advances in neural information processing systems, pages 91–99, 2015.