FlowNet2.0论文笔记

原论文标题：FlowNet 2.0: Evolution of Optical Flow Estimation with Deep Networks
文章是对FlowNet的进一步改进，主要贡献为如下三个方面：

• 训练数据集的调度对于模型的性能有较大的影响。

PS：光流的数据集都比较小，一般需要几个数据集一起train，故如何使用这些数据集是至关重要的。

• 使用中间光流warp图片，并以此作为一个监督信号辅助训练。
• 用一个子网络处理小位移。

经过这些改进，FlowNet 2.0只比前作慢了一点，却降低了50%的测试误差。

1. 数据集调度

最初的FlowNet使用FlyingChairs数据集训练，这个数据集只有二维平面上的运动。而FlyingThings3D是Chairs的加强版，包含了真实的3D运动和光照的影响，且object models的差异也较大。

作者作了如下设定：

• 使用前作中提出的两种网络结构：FlowNetS和FlowNetC，S代表simple，C代表complex，具体细节可参阅前作。
• 分别使用Chairs（22k）、Things3D（22k）、两者混合（从44k中sample出22k）以及用Chairs预训练再用Things3D finetune这四种数据集调度方案。
• 学习率调度策略使用S_short和S_long+S_fine两种策略，如下图。

得出的实验结果如下图，图中的数字代表模型在Sintel数据集上的EPE，注意，Sintel是一个新的数据集，不包含在训练数据中。

从实验结果中可以得出几个结论：

• 训练集的使用顺序很重要。即使Thins3D包含了更复杂的运动，但得出的结果却不如Chairs。（PS：根据笔者的经验，如果要在C数据集上测试的话，A和B数据集训练的模型哪个效果更好是比较玄学的，不是说哪个数据集更复杂，效果就越好。本质上还是取决于A与C和B与C之间的domain shift哪个更小。）最好的策略是现在Charis上预训练，再用Things3D fientune，这在笔者之前做过的一个Kaggle比赛中证实过，虽然任务不一样，但两种数据mixed同时训练确实效果极差。作者对此作出了猜测，Chairs帮助网络学习到颜色匹配这样的一般概念，而更复杂的3D和真实光照等信息不宜过早地强加给网络。这对于其他基于深度学习的任务也有一定的参考价值。
• FlowNetC比FlowNetS更好。
• 结果的提升。

2. Stacking Networks

传统的光流算法都依赖于迭代过程。作者尝试也使用多个模型stacking，逐步refine的手法来得到更好的结果。首先，stack两个模型。

第一个网络使用两张图片作为输入，第二个网络使用两张图片以及第一个网络预测出的光流场作为输入。

此外，作者尝试了另一种方法，如Figure 2所示，第二个网络除了上述的三个输入之外，又使用Image 2和Flow进行warp，这样，第二个网络就可以集中学习warped image和Image 1的差别，这是一种增量学习的思想。注意，作者将warped image和Image 1的误差图也显式地输入给了第二个网络。实验结果如Table 2所示。需要说明的是，warp的过程是用双线性插值，是可微的，故整个网络可以e2e训练。

从表中可以看出，（1）仅stacking模型而不使用wrap后的图片在Chairs上有更好的结果，但在Sintel则不然；（2）Stacking with warping总是能提高结果；（3）e2e训练时，在Net1之后加中间loss是比较好的；（4）产生最好结果的做法是固定Net1，只训练Net2，当然，要加入warp操作。

出现这样的结果是符合直觉的，若e2e训练，参数量成倍增加，很容易overfitting，但分开train，参数量就没有那么大，能产生比较好的结果。

下面，作者尝试堆叠多个不同模型，即FlowNetC和FlowNetS混合使用，综合考虑速度和性能，CSS最为合理。另外，作者作了一些实验，尝试共享stacking前后模型的参数，发现没什么提升。

3. Small Displacements

上文中所用到的数据集所包含的运动往往比较快，而真实数据集如UCF101，帧间的运动往往比较小，大多在1px左右。所以，基于Chairs，作者按照UCF101的位移直方图构建了一个小位移数据集，称之为ChairsSDHom。

作者用FlowNet2-CSS网络在小位移数据上进一步训练。具体的，作者在Things3D和ChairsSDHom中分别采样了一些数据，具体的采样方法参见文章的补充材料，这里我就不去看了。经过这一轮训练，网络对于小位移的效果有了提高，而且并没有伤害大位移的效果。这个网络命名为FlowNet2-CSS-ft-sd。但是，对于subpixel motion（讲道理我不知道这是指什么，姑且理解为小于1px的运动吧），噪声仍然是个问题，作者猜测FlowNet的网络结构还是不适应这种运动。所以，作者对FlowNetS做了轻微的修改，第一层的步长2改为1，7*7改成5*5，使得网络能够更好地捕捉小位移，这个网络结构称为FlowNet2-SD。

最后，作者又设计了一个小网络来fuse FlowNet2-CSS-ft-sd以及FlowNet2-SD的结果，具体的结构没有说的太清楚，有需要的话可以去看代码。总的来看，结构还是非常复杂的，训练过程也很有讲究，改进的余地应该挺大的。

4. Experiments

 这部分没有太多好说的，总之就是各种SOTA了。值得一提的是，作者还用了Motion Segmentation和Action Recognition两个任务来衡量光流的好坏，前者我了解不太多，后者就是用很常见的Two Stream模型，两个任务都需要光流作为输入。最后的结论当然是以FlowNet2得到的光流作为输入，效果最好喽！此处不再赘述。