单CPU处理1s视频仅需37ms、GPU仅需10ms，谷歌提出TVN视频架构
选自arXiv
作者：AJ Piergiovanni等机器之心编译参与：魔王、杜伟
谷歌机器人团队利用进化算法，获得低计算成本、高性能的视频网络架构 TVN，该网络运行高效，速度可达之前视频模型的 100 倍。
视频理解是计算机视觉领域中的重要问题，它有很多应用，如视频自动标注、行为识别和机器人感知。视频理解对自动智能体在现实世界中的应用有重大影响，目前它仍是一道难题。现有的解决方案计算成本高昂，最快速的算法需要在强大的 GPU 上运行才能处理超过 0.5 秒的视频片段。
为了解决该问题，谷歌机器人团队提出使用进化算法，自动设计出以原来计算成本的一部分提供相当性能的网络（即低计算成本、高性能）。具体来说，谷歌研究者提出了一种为视频理解任务设计「微」神经网络（tiny neural network）族的通用方法。
论文链接：https://arxiv.org/abs/1910.06961v1
这些微神经网络可实现相当高的准确率，且运行高效，可实时或者以更快的速度运行。它们在一块 CPU 上处理约 1 秒的视频片段需要 37-100 ms，在一块 GPU 上仅需 10 ms，速度是当前模型的 100 倍（见下图 1、2）。研究者将这些网络称为 Tiny Video Networks (TVN)，因为此类网络仅需要极小的运行时，这在视频模型中尚属首例。
图 1：TVN 与之前方法的性能相当，但它在 CPU 上处理一个视频仅需 37 ms，在 GPU 上所需时间为 10 ms。TVN 的速度是当前视频模型的 100 倍，如 (2+1)D ResNet-101。
图 2：TVN 和主流 (2+1)D 视频理解模型在 Moments-in-Time (MiT) 数据集上的运行时和模型准确率对比情况。
之前的方法为什么那么慢？
视频理解是非常活跃的研究领域，存在大量成功的方法。架构搜索是新兴领域，近期也出现很多方法，其中大部分面向图像和语言理解领域。这些之前的方法中没有一个可为视频理解领域构建高效架构。其主要原因在于，视频的内容量大，需要更多处理，而架构搜索是时间密集过程，因此将架构搜索应用于视频领域需要费很大功夫，且在很多情况下计算成本高昂。
Tiny Video Network 为什么那么高效？
谷歌的这项研究解决了上文提到的两个问题，他们提出的新方法能够输出实时视频架构，从而实现高效搜索，无需过多计算资源。此外，如此快速的网络也为视频理解在现实生活应用（如在线机器人系统、手机等）中的部署和科研开发提供了机会。
对于视频理解领域而言，如此高效的网络前所未见，因为视频包含的内容远远多于图像，且包含很多耗费算力的元素。这使得优化视频模型成为难题，之前的研究没有找到准确率和运行时均得到优化的小型神经架构。
该研究的贡献如下：
- 首个学习视频高效网络（TVN）的方法。TVN 是已知最快速的视频网络，在 CPU 和 GPU 上的运行速度均优于实时速度；
- 架构搜索方法不仅解决了视频处理问题，同时能够输出快速准确的模型；
- 微模型进一步扩展后可得到最快速模型，其性能堪比当前最优模型。
该研究学得的模型架构 TVN 与典型的视频架构不同，前者的卷积层更少；TVN 偏好轻量级元素，如 2D 池化、门控层、挤压和激励层（squeeze-and-excitation layer）。与之相反，现有的视频理解模型通常包含计算密集层，如 3D 卷积。有趣的是，TVN 通常不倾向于使用流行的非局部模块（non-local block module，Wang et al. 2018），因为该模块计算成本高且所获得的性能低。下图 3 为 TVN 架构的示例：
图 3：使用架构进化方法得到的 TVN 示例，它包含多个具备不同配置的模块。
此外，该方法使得以低成本探索视频架构成为可能，这也表明未来的视频架构工作会更加高效，计算负担也会更小。
研究者在四个流行的视频理解数据集上进行了实验，它们分别是：Moments in time 数据集、HMDB 数据集、Charades 数据集和 MLB-YouTube 数据集。该研究提出的网络在这四个数据集上均取得了堪比（或稍低于）当前最优模型的性能，但前者的运行时仅为后者的一部分。上图 2 展示了 TVN 的准确率-运行时曲线，在该区域内没有其他模型的一席之地。
Tiny Video Network 的技术细节
研究者没有使用手动设计架构的方式，而是在巨大的搜索空间内执行架构搜索，实现自动架构设计。
研究者搜索输入分辨率的最优组合，包括空间（宽高）和时间（帧数）、层数、层类型（如池化、卷积等），及其配置（卷积核大小、步幅等）。他们使用进化算法，因为该算法可以执行并行评估，允许群体中多个个体网络发生突变，且能够使用不可微目标函数高效探索不规则搜索空间，比如运行时。
为了学习新的高效视频架构，研究者最大化以下公式，其中输入为定义网络架构的变量/参数集。N 表示网络配置，θ 表示网络的可学习参数（|θ| 表示网络中的参数数量），P 是控制网络最大规模的超参数。R(N_θ) 计算网络在设备上的运行时，其中 N 是网络，θ是网络权重值，R 是最大期望计算运行时。
其中，F 是适应度函数。在此案例中，F 衡量训练模型在验证集上的准确率。
研究者通过进化搜索来优化公式 1。注意，由于运行时和参数量的约束，该函数不可微。尽管一些研究尝试将运行时变为可微操作，但这需要估计每个操作在目标设备上的运行时。为简单起见，谷歌研究者选择使用进化算法，因为它可以轻松适配不同设备，并为参数量（如模型大小）添加约束，这对于移动应用来说尤为重要。此外，搜索空间设计好后，其他超参数无法调整，如学习率或损失缩放因子。
在实验部分我们可以看到，进化算法发现了非常高效、准确的架构。注意，由于搜索中考虑的每个架构都很高效，因此搜索本身的计算成本低于其他神经架构搜索方法。
进化方法
研究者使用具备离散突变算子的锦标赛选择进化算法（tournament selection evolutionary algorithm）作为搜索方法。
由于搜索空间很大，研究者首先生成 200 个随机网络，其中一部分性能很差。在对这些网络进行评估后，他们遵循锦标赛选择算法，从目前的 200 个网络中随机选择 50 个，选取其中性能最好的一个作为「母体」（parent）。然后随机改变该网络的一部分，从而对该网络应用离散突变运算（discrete mutation operaton）。
突变
突变运算仅随机选取了网络的一部分并进行随机改变。它可以是输入分辨率、模块数，或者模块内的层配置。
对新网络进行评估后，将其添加到当前网络群体中，删除其中性能最差的一个。将这一过程重复 1000 次。每个模型经历了 10000 次迭代训练，由于速度很快，因此平均训练时间为大约 1.5 小时。使用并行训练后，搜索可在一天内完成。
实验
研究者实施了以下实验：
在 4 个数据集上对比 TVN 模型和当前最优结果。注意，之前的视频理解工作很少涉及算法运行时，因此研究者额外添加了当前基线方法及其运行时。对搜索空间添加不同约束，得到具备不同性能和运行时的 TVN。研究者尝试扩展 TVN 以提升性能，同时维持原有的速度。
下表 1、2、3、4 分别展示了 TVN 在四个数据集上的性能。
表 1：TVN 和基线模型 (2+1)D ResNets、当前最优结果 † (Monfort et al. 2018) 在 Moments-in-time 数据集上的性能对比情况。TVN 以部分计算成本实现了相似的性能。
表 2：TVN 与当前最优模型在 MLBYouTube (RGB-only) 数据集上的性能对比情况。
表 3：TVN 与当前最优模型在 Charades 数据集上的性能对比情况。
表 4：TVN 与当前最优结果在 HMDB (RGB-only) 数据集上的性能对比情况。
下图 4 展示了多个模型的运行时和参数量对比情况。
图 4：TVN 和其他模型的运行时（上）和模型参数量（下）对比情况。
为了确定时间信息对性能的影响，研究者将 TVN-2 所用的帧数从 4 增加到 8 和 16。结果见下表 5：
研究者还发现，进化搜索比随机搜索更有效（见下图 5），因为该案例中的大型搜索空间包含很多性能差的网络。
图 5：对视频网络搜索空间执行随机搜索 vs 进化搜索。研究发现，进化搜索能够更快地得到更好的模型。
研究者扩展了 TVN，进一步展示了模型性能。下表 6 对比了原版 TVN-1 和具备更高空间分辨率、更大宽度（每一层中的卷积核大小）、更大深度（每个模块的重复次数）的 TVN 模型的性能。
表 6：在 Moments in Time 数据集上扩展 TVN 模型后得到的不同方法。
基于 EfficientNet 的研究发现，研究者从各个维度扩展了 TVN-1，如输入分辨率、宽度和深度。下表 7 对比了扩展后的网络和当前最优结果。TVN-1 EN 即为扩展后的 TVN-1 模型，它能够获得与规模更大模型相当的性能，且运行非常高效。
表 7：基于 EfficientNet 系数，在 MiT 数据集上扩展 TVN-1 模型，得到 TVN-1 EN，并与当前最优模型进行对比。
本文为机器之心编译，转载请联系本公众号获得授权。
✄------------------------------------------------加入机器之心（全职记者 / 实习生）：hr@jiqizhixin.com投稿或寻求报道：content@jiqizhixin.com广告 & 商务合作：bd@jiqizhixin.com