OpenMMlab-相关项目概述（计算机视觉-学习笔记）_openmmlab项目介绍

OpenMMlab

一、OpenMMlab概述

OpenMMlab是一个开源项目，主要面对深度学习时代计算机视觉算法的研发，提供一整套算法框架和工具体系。

• 1架构：所有项目基于一致架构开发
• 15+研究方向
• 140+算法
• 1200+预训练模型

​ 总体架构：

网址：OpenMMlab官方项目

二、Classification——关于图像分类网络结构的演化

• AlexNet（2012）：8层
• VGGNet（2014）：11~19层
• GoogLeNet（2014）：22层使用不同尺度的卷积核
• ResNet（2015）：18~152层引入跨层连接
• DenseNet（2017）：更复杂的跨层连接
• SENet（2018）：加入注意力机制
• Vit（2021）：visual transformer。在NLP领域兴起的新结构Transfomer，有很强的进行长距离的连续的捕捉的能力和学习的能力

三、Detection——目标检测

• 无人驾驶汽车

• 基本思想1：滑窗检测（sliding windows），设定一系列形状大小不同的窗口，用这些窗口扫过整张图片，对于每一个区域用图像分类模型识别其中的物体
• 基本思想2：区域提议（region proposal），基于局部颜色或图像特征，一次性找出所有可能含有物体的区域
  • 基于区域的方法RCNN（2013），Fast RCNN（2014），Faster RCNN（2015），Faster RCNN+FPN（2016），Faster RCNN+FPN+ROIAlign（2017）
• 基本思想3：直接基于特征图进行预测——一阶段算法
  • YOLO（2015-至今）
  • RetinaNet（2017）

四、Segmentation——语义分割

可以理解为对每一个像素进行分类

应用领域：无人驾驶汽车、遥感、医疗影像分析

• 分割模型的进化
  • UNet（2015）
  • DeepLab（2015）
  • PSPNet（2016）：获取上下文信息
  • DeepLab v3（2017）
  • HRNet（2020）：加入Attention模块

五、Action——视频理解与行为识别

• 行为识别——what：1. 识别视频片段中出现的动作 2. 进行视频的分类

  • a. 动作分类（之前做的CNN+LSTM）

• 时序动作检测——when + what：在长视频中定位特定动作出现的时间段，并对动作进行分类

  • a. 时间段
  • b. 动作分类

• 时空动作检测——where + when + what：识别并且定位视频中出现的人和动作。1. 时间段 2. 识别并定位视频中的人 3. 动作类型

  • a. 时间段
  • b. 识别并且定位视频中的人
  • c. 动作类型

• 对于视频的理解：

视频 = 空间 + 时间 = 外观 + 运动

其中，运动还包括帧间运动——光流

• 与图像的区别：1. 多了时间维度 2. 在内容上反映了变化和运动

• 发展历程

  （1）从手工特征到卷积网络（2014之前）

  • Dense Trajectories（2011） & Improved DT（2013）：基于传统视觉方法构建运动特征，没有使用深度学习技术。

  • DeepViedo（2014）：使用卷积网络，基于图像帧进行动作预测，并考虑融合帧间信息。

  （2）从单流到双流（2014之后）

  • 双流网络 Two Stream Networks(2014) ：使用两个网络，一个分支用于捕捉外观的整体情况。另外一个分支用于捕捉运动和变化，该分支是通过一个卷积网络施加在光流场上去进行的。
    • 问题：视频的数据量非常大，如果对每一帧每一个时间点都要进行双流的计算处理，对内存的占用和计算代价都非常高。
  • 时序分段网络*Temporal Segment Networks(2016)*：给定一段长视频，不会立即对视频帧进行采样。会把视频分割成多个片段，每个片段去取少数帧来提取该段落的关键信息。对每个片段分别使用双流网络进行预测再融合。

  （3）大规模视频数据集出现（2017年之后）

  ​ 视频分析是数据密集型任务。在数据的推动下，基于3D卷积网络的方法逐渐取代基于2D卷积网络的方法称为主流。另一方面，长视频数据集（如Activity Net，HACS）逐渐出现，也推动了时序检测、时空检测等技术的发展。

  （4）从2D卷积到3D卷积（2017年之后）

  • I3D（2017）：将2D卷积膨胀至3D卷积，即把双流网络拓展成一个三维的双流网络。再进行迭代优化。再Kinetics-400数据集上取得超越2D方法的进度。
  • SlowFast（2019）：视频的整体的外观变化是缓慢和稳定的，但人的动作是比较高速的变化。所以提出用不同频率对外观和动作进行采样。基于低速采样（Slow）和高速采样（Fast）的图像帧流进行预测。
    • 问题：3D卷积有巨大的计算开销

  （5）压缩3D网络（2018之后）

  • S3D（2018） & R2 + 1D（2018）：分解卷积核。将3D卷积核拆解为空间2D卷积核和时间1D卷积核。
  • CSN（2019） & X3D（2020）：减少通道之间的连接，再通道维度引入分组卷积或者分层卷积。

  （6）更大的数据（2019年之后）

  • 视频领域相较于图像领域，再数据的获取和标注方面挑战更大。
  • 但是近年互联网有海量无标注视频。是否可以用无标注视频训练更好的模型（即半监督或者弱监督的方法）？是否可以用图像捕捉外观，用视频捕捉可变化的部分？

  （7）弱监督学习（2019年之后）

  • 在机器学习中，使用标注不全或者不准的数据进行学习的问题称为弱监督学习
  • Facebook的IG-65M，港中文的OmniSource

相关课程链接

OpenMMlab计算机视觉