标签：Pairs 迭代 Flow Recurrent flow volume corr correlation 光流

参考代码：RAFT
作者主页：Zachary Teed

1. 概述

导读：这篇文章提出了一种新的光流估计pipline，与之前介绍的PWC-Net类似其也包含特征抽取/correlation volume构建操作。在这篇文章中为了优化光流估计，首先在correlation volume的像素上进行邻域采样得到lookups特征（增强特征相关性，也可以理解为感受野），之后直接使用以CNN-GRU为基础的迭代优化网络，在完整尺寸上对光流估计迭代优化。这样尽管采用了迭代优化的形式，文章的迭代优化机制也比像IRR/FlowNet这类方法轻量化，运行速度也更快，其可以在1080 TI GPU上达到10FPS（输入为 1088 ∗ 436 1088*436 1088∗436）。文章的算法在诸如特征处理与融合/上采样策略上设计得细致合理，并且使用迭代优化的策略，从而使得文章算法具有较好的泛化性能。

将文章的方法与之前的一些方法作对比，可以将其中对比得到的改进点归纳如下：

• 1）抛弃了类似PWC-Net中的coarse-to-fine的光流迭代优化策略，直接生成全尺寸的光流估计，从而避免了这种优化策略带来的弊端：coarse层次的预测结果会天然增加丢失小而快速运动的目标的风险，并且训练需要的迭代次数也更多；
• 2）为了提升光流估计的准确性，一种可行的方式就是进行module的叠加优化，如FlowNet和IRR等，但是这样的操作一个是带来更多的参数量，增加运算的时间。还会使得整个网络的训练过程变得繁琐冗长；
• 3）光流的更新模块，文章使用以CNN-GRU为基础，在4D的correlation volume上对其采样得到的correlation lookups进行运算，从而得到光流信息。这样的更新模块引入了GRU网络，很好利用了迭代优化的时序特性；

将文章的方法与其它的一些光流估计方法进行比较：

2. 方法设计

2.1 整体pipline

文章的整体pipeline如下：

按照上图所示可以将整体pipeline划分为3个部分（阶段）：

• 1）feature encoder进行输入图像的抽取，以及context encoder进行图像特征的抽取；
• 2）使用矩阵相乘的方式构建correlation volume，之后使用池化操作得到correlation volume pyramid；
• 3）对correlation volume在像素邻域上进行采样，之后使用以CNN-GRU为基础构建的光流迭代更新网络进行全尺寸光流估计；

文章按照网络容量的不同设计了一大一小的两个网络，后面的内容都是以大网络为基准，其网络结构为：

文章的整体流程简洁，直接在一个forawrd中完成了所有操作，其具体的步骤可以归纳为：

# core/raft.py#86
# step1：图像1/2的feature encoder特征抽取
fmap1, fmap2 = self.fnet([image1, image2])  # [N, 256, H//8, W//8]

# step2：correlation volume pyramid构建
if self.args.alternate_corr:
    corr_fn = AlternateCorrBlock(fmap1, fmap2, radius=self.args.corr_radius)
else:
    corr_fn = CorrBlock(fmap1, fmap2, radius=self.args.corr_radius)  # 输入两幅图像特征用于构造金字塔相似矩阵

# step3：图像1的context encoder特征抽取
cnet = self.cnet(image1)
net, inp = torch.split(cnet, [hdim, cdim], dim=1)  # 对输出的特征进行划分
# 一部分用于递归优化的输入，一部分用于GRU递归优化的传递变量
net = torch.tanh(net)  # [N, 256, H//8, W//8]
inp = torch.relu(inp)  # [N, 256, H//8, W//8]

# step4：以图像1经过编码之后的尺度构建两个一致的坐标网格
coords0, coords1 = self.initialize_flow(image1)  # 一个用于更新（使用每次迭代预测出来的光流），一个用于作为基准

if flow_init is not None:  # 若初始光流不为空，则用其更新初始光流
    coords1 = coords1 + flow_init

# step5：进行光流更新迭代
flow_predictions = []
for itr in range(iters):
    coords1 = coords1.detach()
    # 在坐标网格的基础上对correlation volume pyramid进行半径r=4的邻域采样
    corr = corr_fn(coords1)  # index correlation volume [N, (2*r+1)*(2*r+1)*num_levels, H//8, W//8]

    # 使用CNN-GRU计算光流偏移量与上采样系数等
    flow = coords1 - coords0
    with autocast(enabled=self.args.mixed_precision):
        net, up_mask, delta_flow = self.update_block(net, inp, corr, flow)  # 迭代之后的特征/采样权重/预测光流偏移

    # F(t+1) = F(t) + \Delta(t)
    coords1 = coords1 + delta_flow  # 更新光流

    # upsample predictions
    if up_mask is None:
        flow_up = upflow8(coords1 - coords0)  # 普通的上采样方式
    else:
        flow_up = self.upsample_flow(coords1 - coords0, up_mask)  # 使用卷积构造的上采样方式
    
    flow_predictions.append(flow_up)  # 保存当前迭代次数的光流优化结果

2.2 correlation volume

这里主要讲述correlation volume的构建过程，之后在其基础上进行邻域采样构建correlation lookups（用于提升光流信息的特征相关性），以及提出一种更加高效的correlation volume构建方式（减少计算复杂度）。这里的编码器特征抽取部分省略。。。（其输出的维度为： [ N , 256 , H / / 8 , H / / 8 ] [N,256,H//8,H//8] [N,256,H//8,H//8]）

构建过程：
correlation volume的构建过程其实是一个矩阵相乘形式：

# core/corr.py#53
def corr(fmap1, fmap2):
    batch, dim, ht, wd = fmap1.shape
    fmap1 = fmap1.view(batch, dim, ht*wd)
    fmap2 = fmap2.view(batch, dim, ht*wd) 
    
    corr = torch.matmul(fmap1.transpose(1,2), fmap2)  # 图像1/2的特征矩阵乘 [batch, ht*wd, ht*wd]
    corr = corr.view(batch, ht, wd, 1, ht, wd)  # [batch, ht, wd, 1, ht, wd]
    return corr  / torch.sqrt(torch.tensor(dim).float())

在此基础上使用池化操作得到correlation volume，这里使用到的层级为4（池化操作的kernel size为 { 1 , 2 , 4 , 8 } \{1,2,4,8\} {1,2,4,8}）。也就如下图所示：

correlation lookups的构建：
这里为了增加correlation volume中每个像素对周围像素的感知能力，使用半径 r = 4 r=4 r=4的邻域对correlation volume中每个像素进行采样，之后再组合起来。其实现可以参考：

# core/corr.py#29
def __call__(self, coords):
    r = self.radius
    coords = coords.permute(0, 2, 3, 1)  # flow的idx坐标信息permute
    batch, h1, w1, _ = coords.shape  # [batch, h1, w1, 2]

    out_pyramid = []
    for i in range(self.num_levels):
        corr = self.corr_pyramid[i]
        dx = torch.linspace(-r, r, 2*r+1)  # 构造邻域采样空间
        dy = torch.linspace(-r, r, 2*r+1)
        delta = torch.stack(torch.meshgrid(dy, dx), axis=-1).to(coords.device)

        centroid_lvl = coords.reshape(batch*h1*w1, 1, 1, 2) / 2**i  # 将光流缩放到对应的金字塔尺度上去
        delta_lvl = delta.view(1, 2*r+1, 2*r+1, 2)  # 邻域区域，邻域半径r=4
        coords_lvl = centroid_lvl + delta_lvl  # 在光流基础上加上邻域区域的偏置，[batch*h1*w1, 2*r+1, 2*r+1, 2]

		# 在邻域上对correlation volume在坐标coords_lvl引导下进行双线性采样
        corr = bilinear_sampler(corr, coords_lvl)  # [batch*h1*w1, 1, 2*r+1, 2*r+1]
        corr = corr.view(batch, h1, w1, -1)  # [batch, h1, w1, (2*r+1) * (2*r+1)]
        out_pyramid.append(corr)

    out = torch.cat(out_pyramid, dim=-1)  # [batch, h1, w1, (2*r+1) * (2*r+1) * num_levels]
    return out.permute(0, 3, 1, 2).contiguous().float()    # [batch, (2*r+1) * (2*r+1) * num_levels, h1, w1]

更加高效的correlation构建：
在之前的correlation volume构建过程中是直接在编码器输出的特征图上运算，其计算的复杂度为 O ( N 2 ) O(N^2) O(N2)，其中 N N N是特征图上像素的个数（ W / / 8 ∗ H / / 8 W//8*H//8 W//8∗H//8，channel=1）。之后这个保持不变，使用不同kernel size的池化操作迭代计算 M M M次（也就是金字塔的层级）。那么对此文章对于层级为 m m m处correlation volume的计算其实是可以描述为下面的形式的：
C i j k l m = 1 2 2 m ∑ p 2 m ∑ q 2 m ⟨ g i , j ( 1 ) , g 2 m k + p , 2 m l + q ( 2 ) ⟩ = ⟨ g i , j ( 1 ) , 1 2 2 m ( ∑ p 2 m ∑ q 2 m g 2 m k + p , 2 m l + q ( 2 ) ) ⟩ C_{ijkl}^m=\frac{1}{2^{2m}}\sum_p^{2^m}\sum_q^{2^m}\langle g_{i,j}^{(1)},g_{2^mk+p,2^ml+q}^{(2)}\rangle=\langle g_{i,j}^{(1)},\frac{1}{2^{2m}}(\sum_p^{2^m}\sum_q^{2^m}g_{2^mk+p,2^ml+q}^{(2)})\rangle Cijklm​=22m1​p∑2m​q∑2m​⟨gi,j(1)​,g2mk+p,2ml+q(2)​⟩=⟨gi,j(1)​,22m1​(p∑2m​q∑2m​g2mk+p,2ml+q(2)​)⟩
也就是图像1的特征与图像2图像块avg-pooling之后的特征进行计算，进而可以减少计算复杂度，变为$O(NM)。其实现可以参考类：

#core/corr.py#63
class AlternateCorrBlock：
	...

以及目录alt_cuda_corr下的实现。

2.3 迭代更新机制

文章的光流估计是采用迭代更新的机制实现的，也就是在一个迭代序列中会生成光流序列 { f 1 , … , f N } \{f_1,\dots,f_N\} {f1​,…,fN​}，初始情况下 f 0 = 0 f_0=0 f0​=0，每次迭代之后的更新量描述为 Δ f \Delta f Δf，那么其更新过程描述为：
f k + 1 = f k + Δ f f_{k+1}=f_k+\Delta f fk+1​=fk​+Δf
迭代更新的初始值：
在缺省情况下文章的方法是使用0作迭代的初始光流。当然也是可以接受用一个先验光流作为输入，并在该基础上进行更新迭代，也就是文章提到的warm-start。

迭代更新的输入：
在上文中的网络结构图中可以看到输入CNN-GRU网络模块中的信息是包含3个：context encoder的输出特征/上一次光流的迭代结果/correlation volume在邻域内的采样结果。它们在网络中通过concat的形式进行特征融合，融合之后的特征记为 x t x_t xt​。

特征更新过程：
光流在进行估计之前会经过CNN-GRU模块，这里采用的是Separate的形式，也就是分离的大卷积核（减少参数量的同时，增大感受野）。这里循环递归的隐变量为 h t h_t ht​，它初始的时候使用context encoder产生。其在GRU模块中更新的过程可以描述为：
z t = σ ( C o n v 3 ∗ 3 ( [ h t − 1 , x t ] , W z ) ) z_t=\sigma(Conv_{3*3}([h_{t-1},x_t],W_z)) zt​=σ(Conv3∗3​([ht−1​,xt​],Wz​))
r t = σ ( C o n v 3 ∗ 3 ( [ h t − 1 , x t ] , W r ) ) r_t=\sigma(Conv_{3*3}([h_{t-1},x_t],W_r)) rt​=σ(Conv3∗3​([ht−1​,xt​],Wr​))
h ˉ t = t a n h ( C o n v 3 ∗ 3 [ r t ⊙ h t − 1 , x t ] , W h ) \bar{h}_t=tanh(Conv_{3*3}[r_t\odot h_{t-1},x_t],W_h) hˉt​=tanh(Conv3∗3​[rt​⊙ht−1​,xt​],Wh​)
h t = ( 1 − z t ) ⊙ h t − 1 + z t ⊙ h ˉ t h_t=(1-z_t)\odot h_{t-1}+z_t\odot \bar{h}_t ht​=(1−zt​)⊙ht−1​+zt​⊙hˉt​

光流更新量估计：
这里估计的光流其实是一个偏移量 Δ f \Delta f Δf，相对坐标矩阵来讲的。最后将变换后的坐标矩阵减去之前的基准就得到了最后的光流估计。

全尺寸上采样：
这里将传统的双线性采样操作替换为了基于卷积的上采样操作，也就是每个全尺寸中的每个像素是通过在stride=8的光流预测结果对应位置处采样 3 ∗ 3 3*3 3∗3的块，之后通过预测出来的权值进行加权组合。其采样加权的示意图如下：

其实现代码参考：

# core/raft.py#72
def upsample_flow(self, flow, mask):
    """ Upsample flow field [H/8, W/8, 2] -> [H, W, 2] using convex combination """
    N, _, H, W = flow.shape
    mask = mask.view(N, 1, 9, 8, 8, H, W)  # [N, 8*8*9, H, W]->[N, 1, 9, 8, 8, H, W]
    mask = torch.softmax(mask, dim=2)  # 当前像素与邻域像素的权值

    up_flow = F.unfold(8 * flow, [3, 3], padding=1)  # 对光流进行窗口滑块提取[N, 3*3*2, H, W]（提前乘上采样系数8）
    up_flow = up_flow.view(N, 2, 9, 1, 1, H, W)  # [N, 3*3*2, H, W]->[N, 2, 9, 1, 1, H, W]

    up_flow = torch.sum(mask * up_flow, dim=2)  # 当前像素与邻域进行加权计算, [N, 2, 9, 1, 1, H, W]->[N, 2, 8, 8, H, W]
    up_flow = up_flow.permute(0, 1, 4, 2, 5, 3)  # [N, 2, 8, 8, H, W]->[N, 2, H, 8, W, 8]
    return up_flow.reshape(N, 2, 8*H, 8*W)  # 得到输入图像分辨率的光流估计

将直接双线性上采样的结果与这里提出的上采样结果进行对比如下：

2.4 损失函数

文章的方法是迭代更新的，因而会生成许多个序列的光流估计结果 { f 1 , … , f N } \{f_1,\dots,f_N\} {f1​,…,fN​}，对此其损失函数描述为：
L = ∑ i = 1 N γ N − i ∣ f g t − f i ∣ 1 L=\sum_{i=1}^N\gamma^{N-i}|f_{gt}-f_i|_1 L=i=1∑N​γN−i∣fgt​−fi​∣1​
其中， γ = 0.8 \gamma=0.8 γ=0.8。

3. 实验结果

KITTI数据集上的性能比较：

消融实验：

训练策略：

标签：Pairs,迭代,Flow,Recurrent,flow,volume,corr,correlation,光流
来源： https://blog.csdn.net/m_buddy/article/details/118586321

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。