Awesome

github上排版可能有些问题，也可以访问我的博客https://blog.csdn.net/weixin_42907473/article/details/103470208

一、简述

队名：学学没完

队伍成绩：

初赛榜 0.85245 排名第一（a榜第二，b榜重回第一）

决赛榜 0.9307 排名第二（第一老哥很猛，搞得我们很慌，硬是肝了一晚上才拉近了和他们的差距）

受益于官方对大家前三个月工作的肯定，初赛的权重是复赛的两倍，因此最后加权总榜第一。

二、比赛方案

1.初赛回顾

初赛赛题是对一组唇语图片序列进行中文单词的预测，给定的数据集是封闭集（类别数量是一定的，测试集中的类别均在训练集中出现过），如下图所示：<div align=center> 在这里插入图片描述

上图一共有5组唇语序列，代表着不同的中文词语。<div align=left>

2.数据分析

拿到数据，我们先简单的对数据进行了分析：

训练数据数量一共9996个样本，测试数据一共2504个样本，总的类别是313类。
词语中只有两字词和四字词，样本比例为6816:3180，在313个类中的类别比例为213:100
313类中有311个类别有32个样本，只有“落地生根”和“卓有成效”两个样本有22个样本，可以说样本非常均衡。
样本的图片数量，除了异常数据外，基本分布在2张到24张之间，且两字词和四字词的图片数量有大量重叠，这意味着这一维信息很难利用，在测试集中的图片数量也基本和训练集一致。<div align=center>

两字词和四字词图片数量对比<div align=center> 在这里插入图片描述

训练集和测试集样本图片数量对比<div align=left>

数据分析让我们对数据有了一个整体的把握。除此以外，我们还观察了一些样本数据，发现了他们采集的样本中，包含说话的有用信息图片大都集中在前半序列中，而最后几张往往都是闭嘴状态，没有提供任何有用的信息。

3.数据清洗以及数据切割问题

通过对数据的分析，我们对低于两张的异常样本数据进行了清除。
考虑到很多样本中的嘴唇并不是一直在一个位置，因此考虑是否要定位和切割一下嘴唇部位。

因此我们手动标注了七八百张图片图片送进了CornerNet_Lite网络中去训练一个检测嘴唇的网络。 Why CornerNet_Lite? 其实其他的也可以，如Yolov3，毕竟任务简单，但是这篇论文号称吊打Yolov3，且我前一段时间也跑过这个网络，所以就拿来用了，下图即为文章中的性能对比图，由于没有速度的要求，我们最终采用的是Cornernet-Saccade版本。<div align=center> 在这里插入图片描述 <div align=left>

切割效果基本完美，我们切割原则是：1.保证嘴巴在图片正中央；2、保持一组图片切割大小一样，且嘴唇不能占满全图。在切割的时候我们也发现一些图片没有检测到嘴唇，结果发现样本序列中夹杂了一些噪声数据，我们将这些进行了去除，大致如下图所示:<div align=center><img src="https://img-blog.csdnimg.cn/20191210153204766.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjkwNzQ3Mw==,size_16,color_FFFFFF,t_70" width =50% height = 50%><div align=left>

我们当时的切割程序写了一些BUG，导致没有贯彻思想，最终直接测试的结果并没有不切割的好。当时也没发现这个问题，所以初赛并没有用到切割图片，但是我也对标注的图片中嘴唇边界离图片边界的信息进行了统计，最后大致对图片做了一个统一的切割或者说限制区域的操作。

4.模型选择

通过对数据的分析，且考虑到任务是多分类问题，无需考虑词与词之间的关系，所以我们将这个问题简单的看作动作视频多分类的问题，因此我们尝试了多种类别的 SOTA 模型。

1）基于3D 卷积模型 3D 卷积模型是我们首先想到和尝试的，3D 模型的代表之一是《ECO: Efficient convolutional Network For online video understanding》，这篇文章是去年 ECCV 的文章，模型结构如下：<div align=center> 在这里插入图片描述 <div align=left> S1 到 SN 是从视频中采样的 N 个帧图像。

对于每个帧图像，采用共享的 2D 卷积子网络来得到 96 个 28*28 大小的 feature map，堆叠后得到一个 N*28*28*96 大小的特征 volume。此处使用的是 BN-Inception 网络中的第一部分（到 inception-3c 层前）。
对于得到的特征 volume，采用一个 3D 子网络进行处理，直接输出对应动作类别数目的一维向量。此处采用了 3D-Resnet18 中的部分层。如上的两部分，就构建了这篇文章中构建的第一种网络结果 ECO-Lite。除了用 3D 卷积进行融合，还可以同时使用 2D 卷积，如下图所示，即为 ECO-Full 网络结构。此处多的一个 2D 网络分支采用的是 BN-Inception 网络中 inception-4a 到最后一个 pooling 层间的部分，最后再采用 average-pooling 得到 video-level 的表示，与 3D net 的结果 concat 后再得到最后的 action 分类结果。 <div align=center> <div align=left>

这个模型的效果也不错，我们队伍前期霸榜就是依靠这个模型，ECO-lite 最高 0.74 多，ECO-Full 最高 0.76 多，之后我们又尝试了其他一些模型，如今年的CVPR 何凯明实验室的文章《SlowFast Networks for Video Recognition》，但是该网络需要高低帧率间配合才能有更好的效果，而我们这个数据毕竟不是视频，帧数实在有限，最终跑出来效果不尽如人意，但如果有高帧率的视频，我想应该会有不错的效果。

篇外探讨： 关于《SlowFast Networks for Video Recognition》这篇文章中提出的一个观点我觉的值得我们去思考，大致意思：我们对于一张图片，我们可以简单的将其分为两个维度来看待，I(x,y) 。似乎很合理，x与 y方向的重要性似乎是相等的。然而对于一个视频，引入了时间维度t ，I(x,y,t) 。但这个t与 x,y可以同等看待吗，显然不是的啊，现实这个世界中，大多数的物体都是静止的。而我们传统的卷积如 3D卷积却是同等对待的，按照作者的理解，这是不合理的。既然不合理，就需要将时间t与空间(x,y)单独的处理。

值得一提的是，今年这个领域几篇顶会如SlowFast、STM、TSM都是基于2D卷积模型来做的，只是提取时序的结构不一样，且达到了超越3D卷积的效果，所以是否可以推想：对于时序特征的提取，最好还是不要将时序信息与图片的长宽维度等同看待，而是加以区别来提取，设计更好的时序提取结构来获得一个更好的效果才是上上策呢？

2）基于2D 卷积模型 2D 卷积模型由于其轻量的结构和多元的 backbone 选择，使得其在云端计算和边缘部署上相对 3D 卷积模型具有巨大的优势，但 2D 卷积模型因为时序上的关系很难利用好，各种加如 lstm 等结构的网络还是被 3D 卷积实力碾压，通常情况下如果只考虑精度则不考虑 2D 卷积模型。但是如果一个模型只使用 2D 卷积，且在分类精度上仍然能达到 SOTA，那么其带来的实用价值是巨大的，是碾压一切 3D 模型的存在。而今年 ICCV 上的这篇文章《TSM: Temporal Shift Module for Efficient Video Understanding》提出的 Temporal Shift Module 这个模块很好的利用了帧间的时序关系，实现了 3D 卷积的性能且保持了 2D 卷积的相对较小的计算量。并且截至它的发行日，它在注重动作的数据集 Something-Something 排行榜上排名第一，这也更加符合我们的需求。我们最终采用的模型也正是2D卷积网络+TSM模块的结构，期间我们也尝试了加Non_Local，但是效果并没有提升，反而是模型变得沉重，推断变慢。

TSM原理： TSM在时间维度上移动了部分通道，从而促进相邻帧在信息之间的交流。而这一操作插入到2D卷积中又基本算是实现了在零计算量的情况下对时间轴的信息建模。 <div align=center> 在这里插入图片描述 <div align=left>

如上图所示TSM模块通过沿时间维度移动特征图来执行有效的时间建模，图a是原始的tensor，图b是离线模式所适用的双向TSM将过去和未来的帧和当前帧混合，而图c是在线模式，实时识别，由于不能获取到未来的帧信息，所以仅用过去的帧和当前的帧混合在一起。我们最终采用的是图b的方式。可以看到，仅仅是对部分通道进行了移位，几乎没有额外的其他操作（也意味着没有额外的计算消耗，且没有多余的参数）。更多关于TSM的内容，有兴趣的可以去看一下原论文，我也写了一篇大致翻译的博客，不想看英文原文的可以简单看一下这个。

5.数据预处理、数据增广

视频分类网络通常输入的数据并不是整个视频，而是从视频中截取的一些帧图像，按照其时序关系送入模型。而截取的原则一般是按照一定的帧率均匀采样，亦或者先均匀将视频分成几个片段，然后从每个片段中随机选一帧图像，以此来增强模型的泛化能力，同时减小计算量。

而我们的唇语数据集是已经截取好的图片，数量从2张（0或1张视为噪声数据去除）到24张不等，模型输入的图片数量是一定的，所以模型输入采用多少帧和缺少的帧图像如何填充都是一个问题。

本着不丢失信息和尽可能小的模型输入原则，我们选择了24帧作为模型的统一输入。至于模型的插帧，内容上我们是复制前一帧的图像来填充，而插帧方法上我们采用了尽可能在前几张图像多插帧的原则，这样就等效为放慢了前几张图像带来的信息，这样做的原因是通过观察数据，我们发现最后几张图像采集者往往是闭嘴状态并不提供任何信息，所以预测时的插帧公式如下： <div align=center> 在这里插入图片描述 <div align=left>

copy_times代表所有图片至少复制的次数，frame_num代表模型输入的帧数，这里我们设定的是24帧，len(images)代表的是样本中原始图片的数量，moreone_num代表的是需要多复制一遍的图片数量。预测时，我们直接将前moreone_num张图片多复制一次，以达到24帧的输入。

而对于训练过程，我们考虑到采集者说话可能在每个字上的时间并不相同，为了提高模型的鲁棒性，我们并没有采用固定位置多复制一次的方法，而是随机选择一个起始点进行多复制一次操作。

除此之外，我们还加入了随机丢帧的处理，具体做法是对样本图像数量大于一定值（如12）的样本进行随机丢帧，当然帧数小于2且不能为连续帧。另外还加入了图片随机移动，让一组嘴巴并不在一个位置，来增强模型的泛化能力。

对于数据增广，我们还采用了一些常规的增广方式：随机加入高斯噪声，随机对图像做双边滤波，随机调图像的明暗度、对比度、饱和度、色度，随机对图像加入小旋转(5°以内)，随机对图像做上下左右小平移，随机水平反转操作。这些数据增广操作都是在不损失模型的关键信息的原则上，去告诉模型它应该关注的信息是什么，以此来增强模型的泛化能力。

初赛最终方案：

在这里插入图片描述 <div align=left>

决赛篇简述：

决赛由于数据由中文单词变成了数字组合，且数据量极少，所以我们也尝试过将1000类问题转化为10类去做，由于策略不佳最终的准确率却只有八十多，所以还是用的初赛方案，将其视作1000类分类问题，也取得了不错的效果。

决赛最终方案：