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

蕭簫 發自 凹非寺
量子位 報道 | 公眾號 QbitAI

作為計算機視覺三大頂會之一，備受矚目的ECCV 2020（歐洲計算機視覺國際會議）最近公布了所有獎項。

其中，最佳論文獎被ImageNet一作、李飛飛高徒鄧嘉及其學生摘得。

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

一起來學習一下。

視頻中的「光流預測」

在解讀這篇論文前，先來大致回顧一下論文涉及的領域，即光流預測。

光流預測是什么

在計算機視覺中，光流是一個有關物體運動的概念，指在一幀視頻圖像中，代表同一目標的像素點到下一幀的移動量，用向量表示。

根據光流的亮度恒定假設，同一物體在連續的幀間運動時，像素值不變（一只小鳥不會在運動時突然變成鴨或者飛機）。

所以這個運動的過程，就像是光的“流動”過程，簡稱光流，預測光流的過程，就被稱之為光流預測。

應用上，光流通常會用于視頻中的目標跟蹤，例如TLD算法。

此外，光流還可以作為視覺里程計和SLAM同步定位，以及視頻動作識別和視頻插幀等。

先前光流預測法的缺陷

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

其中，稀疏光流會選取圖像稀疏點進行光流估計；而在稠密光流里，為了表示方便，會使用不同的顏色和亮度表示光流的大小和方向。

針對這兩種方法，目前有傳統預測和基于深度學習的兩種經典算法。

1、傳統方法：稀疏光流估計算法

求解光流預測算法前，首先要知道孔徑問題。

如圖，從圓孔中觀察移動條紋的變化，發現條紋無論往哪個方向移動，從圓孔來看，移動的變化都是一致的。

例子再通俗一點，看看發廊的旋轉燈，燈上的條紋看起來總在往上走（其實沒有）。

其中一種傳統的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估計光流，這些像素點是亮度變化明顯（特征明顯）的角點，借助可逆相關性質，預測光流方向。

2、深度學習方法：FlowNet

FlowNet是CNN用于光流預測算法的經典例子。

在損失設計上，對于每個像素，損失定義為預測的光流值和真值（groundtruth）之間的歐氏距離，稱這種誤差為EPE，全稱End-Point-Error。

當然，說到這里，不得不提一句光流預測的經典數據集FlyingChairs（飛椅）。

為了模擬目標的多種運動方式，飛椅數據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，得到對應的另一張圖。

△?畫風有點像玩個錘子

這個數據集也成為許多光流預測網絡必備的數據集之一。

然而，上述基于深度學習的經典光流預測算法，存在著幾個缺點，無論怎么優化，這些缺點都會因為框架自身而一直存在。

但在RAFT，這個全稱光流循環全對場變換的框架中，過往的3大缺點都被一一解決了：

突破局限，三點創新

第一，先前的框架普遍采用從粗到細的設計，也就是先用低分辨率估算流量，再用高分辨率采樣和調整。

相比之下，RAFT以高分辨率維護和更新單個固定的光流場。

這種做法帶來了如下幾個突破：低分辨率導致的預測錯誤率降低，錯過小而快速移動目標的概率降低，以及超過1M參數的訓練通常需要的迭代次數降低。

第二，先前的框架包括某種形式上的迭代細化，但不限制迭代之間的權重，這就導致了迭代次數的限制。

例如，IRR使用的FlowNetS或PWC-Net作為循環單元，前者受網絡大小（參數量38M）限制，只能應用5次迭代，后者受金字塔等級數限制。

相比之下，RAFT的更新運算是周期性、輕量級的：這個框架的更新運算器只有2.7M個參數，可以迭代100多次。

第三，先前框架中的微調模塊，通常只采用普通卷積或相關聯層。

相比之下，更新運算符是新設計，由卷積GRU組成，該卷積GRU在4D多尺度相關聯向量上的表現更加優異。

光流預測的效果

話不多說，先上RAFT光流預測的效果圖。

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

可以看出，相較于中間兩個框架的預測效果，RAFT的預測不僅邊界更清晰，而且運動的大小和方向準確（看顏色）。

此外，在KITTI數據集上的預測效果也非常不錯。

圖左的幾輛小車被清楚地預測了出來，而圖右中，駕駛方向不同的車輛也能用不同的顏色（紅、藍）區分標記。

不僅小視頻，在1080p的高分辨率視頻（DAVIS數據集）中，光流預測的效果也非常不錯。

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

由上圖可見，團隊同時推出了5.3M參數量和1.0M輕量級的兩個框架，EPE誤差效果均非常好。

從效果來看，在KITTI數據集上，RAFT的F1-all誤差是 5.10%，相比此前的最優結果（6.10%）減少了16%；在Sintel數據集上，RAFT只有2.855像素的端點誤差（End-Point-Error），相比先前的最佳結果（4.098 像素）減少了30%。

不僅推理效率高，而且泛化能力強，簡直就是光流預測中各方面超越SOTA的存在。

那么，RAFT的框架究竟是怎么設計的呢？

高性能端到端光流網絡架構

從圖中可見，RAFT框架主要由三個部分構成：特征編碼器、相關聯層（correlation layer）和基于GRU的更新運算器。

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

至于相關聯層，則構建了一個4D的W×H×W×H相關聯向量，用于表示所有特征向量對的點積（內積）。當然，這個4D向量的后2維會被多尺度采樣，用于構建一系列多尺度向量。

下圖是構建相關聯向量的方法，從圖中可見，作者將用了幾個2D片段來描述一整個4D向量。

在圖1的一個特征向量中，構建了圖2中所有向量對的點積，從而生成了一個4D的W×H×W×H向量（其中，圖2的每個像素產生一個2D的響應圖）。

這樣，就能用大小為{1，2，4，8}的卷積核對向量進行平均采樣了。

而更新操作器，則通過光流預測，來重復更新光流，以展現這一系列多尺度向量的向量值。

總結歸納一下，RAFT的框架流程分為三步，對每個像素提取特征，計算所有像素對的相關性，高效迭代更新光流場。

目前，RAFT框架已經放出了GitHub的項目鏈接，想要學習代碼、或者復現的小伙伴們，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讀博，是視覺與學習實驗室的一名成員，導師為鄧嘉。目前的主要研究方向為視頻3D重建，包括運動、場景流和SLAM中的結構。

此前，他曾獲圣路易斯華盛頓大學的計算機科學學士學位，并在那里取得了Langsdorf 獎學金和 McKevely研究獎。

而論文二作，則是普林斯頓大學計算機科學系助理教授鄧嘉。

鄧嘉曾于2006年本科畢業于清華大學計算機系，隨后赴美國普林斯頓大學讀博。

2007 年，李飛飛回到他的母校普林斯頓大學任職后便開始啟動 ImageNet 項目，李凱教授作為支撐，將鄧嘉介紹到李飛飛的實驗組中，2012 年鄧嘉于普林斯頓大學獲計算機科學博士學位。

這并非他第一次獲ECCV最佳論文獎。

2014 年，鄧嘉就曾憑借論文《Large-Scale Object Classification Using Label Relation Graphs》獲得當年的ECCV最佳論文獎，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

項目鏈接：
https://github.com/princeton-vl/RAFT