編者按：

來(lái)自百度的深度學(xué)習(xí)工程師，圍繞計(jì)算機(jī)視覺(jué)領(lǐng)域的八大任務(wù)，包括：圖像分類、目標(biāo)檢測(cè)、圖像語(yǔ)義分割、場(chǎng)景文字識(shí)別、圖像生成、人體關(guān)鍵點(diǎn)檢測(cè)、視頻分類、度量學(xué)習(xí)等，進(jìn)行了較為詳細(xì)的綜述并形成此文。

這篇綜述中，介紹了這些任務(wù)的基本情況，以及目前的技術(shù)進(jìn)展、主要的模型和性能對(duì)比等。而且還逐一附上了GitHub傳送門，用于更進(jìn)一步的學(xué)習(xí)與安裝實(shí)踐指南。其中不少教程還是用中文寫成，非常友好。

總之，這篇綜述全程干貨，推薦收藏閱讀。

上篇

計(jì)算機(jī)視覺(jué)（Computer Vision）是研究如何使機(jī)器“看”的科學(xué)，更進(jìn)一步的說(shuō)，是使用攝像機(jī)機(jī)和電腦代替人眼對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤和測(cè)量等的機(jī)器視覺(jué)，并通過(guò)電腦處理成為更適合人眼觀察或傳送給儀器檢測(cè)的圖像。

形象地說(shuō)，就是給計(jì)算機(jī)安裝上眼睛（攝像機(jī)）和大腦（算法），讓計(jì)算機(jī)像人一樣去看、去感知環(huán)境。計(jì)算機(jī)視覺(jué)技術(shù)作為人工智能的重要核心技術(shù)之一，已廣泛應(yīng)用于安防、金融、硬件、營(yíng)銷、駕駛、醫(yī)療等領(lǐng)域。本文上篇中，我們將介紹基于PaddlePaddle的四種計(jì)算機(jī)視覺(jué)技術(shù)及其相關(guān)的深度學(xué)習(xí)模型。

一、圖像分類

圖像分類是根據(jù)圖像的語(yǔ)義信息對(duì)不同類別圖像進(jìn)行區(qū)分，是計(jì)算機(jī)視覺(jué)中重要的基礎(chǔ)問(wèn)題，是物體檢測(cè)、圖像分割、物體跟蹤、行為分析、人臉識(shí)別等其他高層視覺(jué)任務(wù)的基礎(chǔ)。

圖像分類在許多領(lǐng)域都有著廣泛的應(yīng)用。如：安防領(lǐng)域的人臉識(shí)別和智能視頻分析等，交通領(lǐng)域的交通場(chǎng)景識(shí)別，互聯(lián)網(wǎng)領(lǐng)域基于內(nèi)容的圖像檢索和相冊(cè)自動(dòng)歸類，醫(yī)學(xué)領(lǐng)域的圖像識(shí)別等。

得益于深度學(xué)習(xí)的推動(dòng)，圖像分類的準(zhǔn)確率大幅度提升。在經(jīng)典的數(shù)據(jù)集ImageNet上，訓(xùn)練圖像分類任務(wù)常用的模型，包括AlexNet、VGG、GoogLeNet、ResNet、Inception-v4、MobileNet、MobileNetV2、DPN(Dual Path Network)、SE-ResNeXt、ShuffleNet等。

△AlexNet

△VGG

△GoogLeNet

△ResNet

△Inception-v4

△MobileNet

△SE-ResNeXt

△ShuffleNet

模型的結(jié)構(gòu)和復(fù)雜程度都不一樣，最終得到的準(zhǔn)確率也有所區(qū)別。下面這個(gè)表格中，列出了在ImageNet 2012數(shù)據(jù)集上，不同模型的top-1/top-5驗(yàn)證準(zhǔn)確率。

△圖像分類系列模型評(píng)估結(jié)果

在我們的GitHub頁(yè)面上，提供上述與訓(xùn)練模型的下載。以及詳細(xì)介紹了如何使用PaddlePaddle Fluid進(jìn)行圖像分類任務(wù)。包括安裝、數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練、評(píng)估等等全部過(guò)程。還有將Caffe模型轉(zhuǎn)換為PaddlePaddle Fluid模型配置和參數(shù)文件的工具。

上述頁(yè)面的傳送門在此：

https://github.com/PaddlePaddle/models/blob/develop/fluid/PaddleCV/image_classification

二、目標(biāo)檢測(cè)

目標(biāo)檢測(cè)任務(wù)的目標(biāo)是給定一張圖像或是一個(gè)視頻幀，讓計(jì)算機(jī)找出其中所有目標(biāo)的位置，并給出每個(gè)目標(biāo)的具體類別。

對(duì)于人類來(lái)說(shuō)，目標(biāo)檢測(cè)是一個(gè)非常簡(jiǎn)單的任務(wù)。然而，計(jì)算機(jī)能夠“看到”的是圖像被編碼之后的數(shù)字，很難解圖像或是視頻幀中出現(xiàn)了人或是物體這樣的高層語(yǔ)義概念，也就更加難以定位目標(biāo)出現(xiàn)在圖像中哪個(gè)區(qū)域。

與此同時(shí)，由于目標(biāo)會(huì)出現(xiàn)在圖像或是視頻幀中的任何位置，目標(biāo)的形態(tài)千變?nèi)f化，圖像或是視頻幀的背景千差萬(wàn)別，諸多因素都使得目標(biāo)檢測(cè)對(duì)計(jì)算機(jī)來(lái)說(shuō)是一個(gè)具有挑戰(zhàn)性的問(wèn)題。

在目標(biāo)檢測(cè)任務(wù)中，我們主要介紹如何基于PASCAL VOC、MS COCO數(shù)據(jù)訓(xùn)練通用物體檢測(cè)模型，包括SSD模型、PyramidBox模型、R-CNN模型。

?SSD模型，Single Shot MultiBox Detector，是一種單階段的目標(biāo)檢測(cè)器。與兩階段的檢測(cè)方法不同，單階段目標(biāo)檢測(cè)并不進(jìn)行區(qū)域推薦，而是直接從特征圖回歸出目標(biāo)的邊界框和分類概率。SSD 運(yùn)用了這種單階段檢測(cè)的思想，并且對(duì)其進(jìn)行改進(jìn)：在不同尺度的特征圖上檢測(cè)對(duì)應(yīng)尺度的目標(biāo)，是目標(biāo)檢測(cè)領(lǐng)域較新且效果較好的檢測(cè)算法之一，具有檢測(cè)速度快且檢測(cè)精度高的特點(diǎn)。

△SSD目標(biāo)檢測(cè)模型結(jié)構(gòu)

△SSD目標(biāo)檢測(cè)可視化

△目標(biāo)檢測(cè)SSD模型評(píng)估結(jié)果

在GitHub上，我們更詳細(xì)的介紹了如何下載、訓(xùn)練、使用這一模型。

傳送門在此：

https://github.com/PaddlePaddle/models/blob/develop/fluid/PaddleCV/object_detection

?PyramidBox模型，百度自主研發(fā)的人臉檢測(cè)模型，是一種語(yǔ)境輔助的單次人臉檢測(cè)新方法，能夠解決在不受控制的環(huán)境中檢測(cè)小的、模糊的及部分遮擋的人臉時(shí)的問(wèn)題，模型于18年3月份在WIDER Face數(shù)據(jù)集上取得第一名。

△Pyramidbox 人臉檢測(cè)模型

△Pyramidbox 預(yù)測(cè)可視化

△PyramidBox模型評(píng)估結(jié)果

如果想進(jìn)一步了解這個(gè)模型，傳送門在此（而且是全中文指導(dǎo)）：

https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/face_detection

?R-CNN系列模型，區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（R-CNN）系列模型是典型的兩階段目標(biāo)檢測(cè)器，相較于傳統(tǒng)提取區(qū)域的方法，R-CNN中RPN網(wǎng)絡(luò)通過(guò)共享卷積層參數(shù)大幅提高提取區(qū)域的效率，并提出高質(zhì)量的候選區(qū)域。Faster R-CNN和Mask R-CNN是R-CNN系列的典型模型。

Faster R-CNN 區(qū)域生成網(wǎng)絡(luò)(RPN)+Fast R-CNN的實(shí)現(xiàn)，將候選區(qū)域生成、特征提取、分類、位置精修統(tǒng)一到一個(gè)深度網(wǎng)絡(luò)框架，大大提高運(yùn)行速度。

Mask R-CNN在原有Faster R-CNN模型基礎(chǔ)上添加分割分支，得到掩碼結(jié)果，實(shí)現(xiàn)了掩碼和類別預(yù)測(cè)關(guān)系的解藕，是經(jīng)典的實(shí)例分割模型。

△Faster R-CNN 結(jié)構(gòu)

△Faster R-CNN 預(yù)測(cè)可視化

△Mask R-CNN結(jié)構(gòu)

△Mask R-CNN 預(yù)測(cè)可視化

△Faster R-CNN評(píng)估結(jié)果

△Mask R-CNN評(píng)估結(jié)果

同樣，如果你想進(jìn)一步學(xué)習(xí)R-CNN安裝、準(zhǔn)備、訓(xùn)練等，可以前往下面這個(gè)傳送門：

https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/rcnn

三、圖像語(yǔ)義分割

圖像語(yǔ)意分割，顧名思義是將圖像像素按照表達(dá)的語(yǔ)義含義的不同進(jìn)行分組/分割。

圖像語(yǔ)義是指對(duì)圖像內(nèi)容的理解，例如，能夠描繪出什么物體在哪里做了什么事情等，分割是指對(duì)圖片中的每個(gè)像素點(diǎn)進(jìn)行標(biāo)注，標(biāo)注屬于哪一類別。近年來(lái)用在無(wú)人車駕駛技術(shù)中分割街景來(lái)避讓行人和車輛、醫(yī)療影像分析中輔助診斷等。

分割任務(wù)主要分為實(shí)例分割和語(yǔ)義分割，實(shí)例分割是物體檢測(cè)加上語(yǔ)義分割的綜合體，上文介紹的Mask R-CNN是實(shí)例分割的經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)之一。在圖像語(yǔ)義分割任務(wù)中，我們主要介紹兼顧準(zhǔn)確率和速度的ICNet，DeepLab中最新、執(zhí)行效果最好的DeepLab v3+。

?DeepLab v3+，DeepLab語(yǔ)義分割系列網(wǎng)絡(luò)的最新作，通過(guò)encoder-decoder進(jìn)行多尺度信息的融合，同時(shí)保留了原來(lái)的空洞卷積和ASSP層， 其骨干網(wǎng)絡(luò)使用了Xception模型，提高了語(yǔ)義分割的健壯性和運(yùn)行速率，在 PASCAL VOC 2012 dataset取得新的state-of-art performance，89.0mIOU。

△DeepLab v3+ 基本結(jié)構(gòu)

△DeepLab v3+ 評(píng)估結(jié)果

照例，GitHub傳送門在此（中文）：

https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/deeplabv3%2B

?ICNet，Image Cascade Network，主要用于圖像實(shí)時(shí)語(yǔ)義分割，主要思想是將輸入圖像變換為不同的分辨率，然后用不同計(jì)算復(fù)雜度的子網(wǎng)絡(luò)計(jì)算不同分辨率的輸入，然后將結(jié)果合并。ICNet由三個(gè)子網(wǎng)絡(luò)組成，計(jì)算復(fù)雜度高的網(wǎng)絡(luò)處理低分辨率輸入，計(jì)算復(fù)雜度低的網(wǎng)絡(luò)處理分辨率高的網(wǎng)絡(luò)，通過(guò)這種方式在高分辨率圖像的準(zhǔn)確性和低復(fù)雜度網(wǎng)絡(luò)的效率之間獲得平衡。

△ICNet網(wǎng)絡(luò)結(jié)構(gòu)

△ICNet可視化

△ICNet評(píng)估結(jié)果

進(jìn)一步上手實(shí)踐的傳送門在此（也是中文）：

https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/icnet

四、場(chǎng)景文字識(shí)別

許多場(chǎng)景圖像中包含著豐富的文本信息，對(duì)理解圖像信息有著重要作用，能夠極大地幫助人們認(rèn)知和理解場(chǎng)景圖像的內(nèi)容。場(chǎng)景文字識(shí)別是在圖像背景復(fù)雜、分辨率低下、字體多樣、分布隨意等情況下，將圖像信息轉(zhuǎn)化為文字序列的過(guò)程，可認(rèn)為是一種特別的翻譯過(guò)程：將圖像輸入翻譯為自然語(yǔ)言輸出。場(chǎng)景圖像文字識(shí)別技術(shù)的發(fā)展也促進(jìn)了一些新型應(yīng)用的產(chǎn)生，如通過(guò)自動(dòng)識(shí)別路牌中的文字幫助街景應(yīng)用獲取更加準(zhǔn)確的地址信息等。

在場(chǎng)景文字識(shí)別任務(wù)中，我們介紹如何將基于CNN的圖像特征提取和基于RNN的序列翻譯技術(shù)結(jié)合，免除人工定義特征，避免字符分割，使用自動(dòng)學(xué)習(xí)到的圖像特征，完成字符識(shí)別。這里主要介紹CRNN-CTC模型和基于注意力機(jī)制的序列到序列模型。

?CRNN-CTC模型，采取CNN+RNN+CTC架構(gòu)，卷積層使用CNN，從輸入圖像中提取特征序列、循環(huán)層使用RNN，預(yù)測(cè)從卷積層獲取的特征序列的標(biāo)簽（真實(shí)值）分布、轉(zhuǎn)錄層使用CTC，把從循環(huán)層獲取的標(biāo)簽分布通過(guò)去重整合等操作轉(zhuǎn)換成最終的識(shí)別結(jié)果。

?基于注意力機(jī)制的序列到序列模型，提出了基于attention機(jī)制的文本識(shí)別方法，不需要檢測(cè)，直接輸入圖片進(jìn)行識(shí)別，對(duì)于識(shí)別字符類別數(shù)很少的場(chǎng)景很實(shí)用，例如車牌識(shí)別、自然場(chǎng)景圖片的主要關(guān)鍵詞提取等。同時(shí)也不要求識(shí)別文本必須單行排列，雙行排列，多行排列都可以。在訓(xùn)練過(guò)程中則不需要文本框的標(biāo)注，訓(xùn)練數(shù)據(jù)的收集變得很方便。

△CRNN-CTC模型結(jié)構(gòu)

△基于注意力機(jī)制的序列到序列模型結(jié)構(gòu)

△OCR模型評(píng)估結(jié)果

GitHub傳送門在此（中文友好）：

https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/ocr_recognition

下篇

上篇中我們介紹了計(jì)算機(jī)視覺(jué)技術(shù)在圖像分類、目標(biāo)檢測(cè)、圖像語(yǔ)義分割、場(chǎng)景文字識(shí)別四大基本任務(wù)場(chǎng)景下，如何幫助計(jì)算機(jī)從單個(gè)或者一系列的圖片中提取分析和理解的關(guān)鍵信息。當(dāng)下，視頻在人們生活中越來(lái)越重要，伴隨著技術(shù)成熟度的提高，計(jì)算機(jī)視覺(jué)技術(shù)的突破也從靜態(tài)圖像識(shí)別的“看到”轉(zhuǎn)向了視頻理解的“看懂”。

接下來(lái)，我們一起探索基于PaddlePaddle的圖像生成、人體關(guān)鍵點(diǎn)檢測(cè)、視頻分類相關(guān)的深度學(xué)習(xí)模型。

一、圖像生成

圖像生成是指根據(jù)輸入向量，生成目標(biāo)圖像。這里的輸入向量可以是隨機(jī)的噪聲或用戶指定的條件向量。具體的應(yīng)用場(chǎng)景有：手寫體生成、人臉合成、風(fēng)格遷移、圖像修復(fù)、超分重建等。當(dāng)前的圖像生成任務(wù)主要是借助生成對(duì)抗網(wǎng)絡(luò)（GAN）來(lái)實(shí)現(xiàn)。

生成對(duì)抗網(wǎng)絡(luò)（GAN）由兩種子網(wǎng)絡(luò)組成：生成器和識(shí)別器。生成器的輸入是隨機(jī)噪聲或條件向量，輸出是目標(biāo)圖像。識(shí)別器是一個(gè)分類器，輸入是一張圖像，輸出是該圖像是否是真實(shí)的圖像。在訓(xùn)練過(guò)程中，生成器和識(shí)別器通過(guò)不斷的相互博弈提升自己的能力。

在圖像生成任務(wù)中，我們主要介紹如何使用DCGAN和ConditioanlGAN來(lái)進(jìn)行手寫數(shù)字的生成，另外還介紹了用于風(fēng)格遷移的CycleGAN。

?ConditioanlGAN，顧名思義是帶條件約束的生成對(duì)抗模型，它在生成模型和判別模型的建模中均引入了額外的條件變量，對(duì)于生成器對(duì)數(shù)據(jù)的生成具有指導(dǎo)作用。ConditioanlGAN是把無(wú)監(jiān)督的GAN變成有監(jiān)督模型的改進(jìn)，為后續(xù)的工作提供了指導(dǎo)作用。

△ConditioanlGAN結(jié)構(gòu)

△ConditioanlGAN預(yù)測(cè)效果圖

傳送門（中文）：

https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/gan/c_gan

?DCGAN，為了填補(bǔ)CNN在監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)之間的gap，此篇論文提出了將CNN和GAN結(jié)合的DCGAN(深度卷積生成對(duì)抗網(wǎng)絡(luò))，并且DCGAN在無(wú)監(jiān)督學(xué)習(xí)中取得不錯(cuò)的結(jié)果。

△DCGAN結(jié)構(gòu)

△DCGAN預(yù)測(cè)效果圖

傳送門（中文）：

https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/gan/c_gan

?CycleGAN，將一類圖片轉(zhuǎn)換成另一類圖片。傳統(tǒng)的 GAN 是單向生成，CycleGAN 是互相生成，本質(zhì)上是兩個(gè)鏡像對(duì)稱的GAN，構(gòu)成了一個(gè)環(huán)形網(wǎng)絡(luò)，所以命名為 Cycle。風(fēng)格遷移類任務(wù)一般都需要兩個(gè)域中具有相同內(nèi)容的成對(duì)圖片作為訓(xùn)練數(shù)據(jù)，CycleGAN的創(chuàng)新點(diǎn)就在于其能夠在沒(méi)有成對(duì)訓(xùn)練數(shù)據(jù)的情況下，將圖片內(nèi)容從源域遷移到目標(biāo)域。

△CycleGAN 結(jié)構(gòu)

△CycleGAN預(yù)測(cè)可視化

傳送門（中文）：

https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/gan/cycle_gan

二、人體關(guān)鍵點(diǎn)檢測(cè)

人體關(guān)鍵點(diǎn)檢測(cè)，通過(guò)人體關(guān)鍵節(jié)點(diǎn)的組合和追蹤來(lái)識(shí)別人的運(yùn)動(dòng)和行為，對(duì)于描述人體姿態(tài)，預(yù)測(cè)人體行為至關(guān)重要，是諸多計(jì)算機(jī)視覺(jué)任務(wù)的基礎(chǔ)，例如動(dòng)作分類，異常行為檢測(cè)，以及自動(dòng)駕駛等等，也為游戲、視頻等提供新的交互方式。

在人體關(guān)鍵點(diǎn)檢測(cè)任務(wù)中，我們主要介紹網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單的coco2018關(guān)鍵點(diǎn)檢測(cè)項(xiàng)目的亞軍方案。

?Simple Baselines for Human Pose Estimation in Fluid，coco2018關(guān)鍵點(diǎn)檢測(cè)項(xiàng)目的亞軍方案，沒(méi)有華麗的技巧，僅僅是在ResNet中插入了幾層反卷積，將低分辨率的特征圖擴(kuò)張為原圖大小，以此生成預(yù)測(cè)關(guān)鍵點(diǎn)需要的Heatmap。沒(méi)有任何的特征融合，網(wǎng)絡(luò)結(jié)構(gòu)非常簡(jiǎn)單，但是達(dá)到了state of the art效果。

△視頻Demo: Bruno Mars - That’s What I Like [官方視頻]

△Simple Baselines for Human Pose Estimation in Fluid 評(píng)估結(jié)果

GitHub傳送門：

https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/human_pose_estimation

三、視頻分類

視頻分類是視頻理解任務(wù)的基礎(chǔ)，與圖像分類不同的是，分類的對(duì)象不再是靜止的圖像，而是一個(gè)由多幀圖像構(gòu)成的、包含語(yǔ)音數(shù)據(jù)、包含運(yùn)動(dòng)信息等的視頻對(duì)象，因此理解視頻需要獲得更多的上下文信息，不僅要理解每幀圖像是什么、包含什么，還需要結(jié)合不同幀，知道上下文的關(guān)聯(lián)信息。

視頻分類方法主要包含基于卷積神經(jīng)網(wǎng)絡(luò)、基于循環(huán)神經(jīng)網(wǎng)絡(luò)、或?qū)⑦@兩者結(jié)合的方法。

在視頻分類任務(wù)中，我們主要介紹視頻分類方向的多個(gè)主流領(lǐng)先模型，其中Attention LSTM，Attention Cluster和NeXtVLAD是比較流行的特征序列模型，TSN和StNet是兩個(gè)End-to-End的視頻分類模型。

Attention LSTM模型速度快精度高，NeXtVLAD是2nd-Youtube-8M比賽中最好的單模型, TSN是基于2D-CNN的經(jīng)典解決方案。Attention Cluster和StNet是百度自研模型，分別發(fā)表于CVPR2018和AAAI2019，是Kinetics600比賽第一名中使用到的模型。

?Attention Cluster模型為ActivityNet Kinetics Challenge 2017中最佳序列模型，通過(guò)帶Shifting Opeation的Attention Clusters處理已抽取好的RGB、Flow、Audio數(shù)據(jù)。

△Attention Cluster模型結(jié)構(gòu)

Attention LSTM 模型，采用了雙向長(zhǎng)短記憶網(wǎng)絡(luò)（LSTM），將視頻的所有幀特征依次編碼。與傳統(tǒng)方法直接采用LSTM最后一個(gè)時(shí)刻的輸出不同，該模型增加了一個(gè)Attention層，每個(gè)時(shí)刻的隱狀態(tài)輸出都有一個(gè)自適應(yīng)權(quán)重，然后線性加權(quán)得到最終特征向量。

△Attention LSTM 模型結(jié)構(gòu)

?NeXtVLAD模型，第二屆Youtube-8M視頻理解競(jìng)賽中效果最好的單模型，提供了一種將楨級(jí)別的視頻特征轉(zhuǎn)化并壓縮成特征向量，以適用于大尺寸視頻文件的分類的方法。其基本出發(fā)點(diǎn)是在NetVLAD模型的基礎(chǔ)上，將高維度的特征先進(jìn)行分組，通過(guò)引入attention機(jī)制聚合提取時(shí)間維度的信息，這樣既可以獲得較高的準(zhǔn)確率，又可以使用更少的參數(shù)量。

△NeXtVLAD模型結(jié)構(gòu)

?StNet模型，框架為ActivityNet Kinetics Challenge 2018中奪冠的基礎(chǔ)網(wǎng)絡(luò)框架，提出“super-image”的概念，在super-image上進(jìn)行2D卷積，建模視頻中局部時(shí)空相關(guān)性。另外通過(guò)temporal modeling block建模視頻的全局時(shí)空依賴，最后用一個(gè)temporal Xception block對(duì)抽取的特征序列進(jìn)行長(zhǎng)時(shí)序建模。

△StNet模型結(jié)構(gòu)

?Temporal Segment Network (TSN)，視頻分類領(lǐng)域經(jīng)典的基于2D-CNN的解決方案，主要解決視頻的長(zhǎng)時(shí)間行為判斷問(wèn)題，通過(guò)稀疏采樣視頻幀的方式代替稠密采樣，既能捕獲視頻全局信息，也能去除冗余，降低計(jì)算量。最終將每幀特征平均融合后得到視頻的整體特征，并用于分類。

△TSN模型結(jié)構(gòu)

△基于Youtube-8M數(shù)據(jù)集的視頻分類模型 評(píng)估結(jié)果

△基于Kinetics數(shù)據(jù)集的視頻分類模型 評(píng)估結(jié)果

這部分的詳情，可以移步GitHub，全程中文。傳送門：

https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/video

四、度量學(xué)習(xí)

度量學(xué)習(xí)也稱作距離度量學(xué)習(xí)、相似度學(xué)習(xí)，通過(guò)學(xué)習(xí)對(duì)象之間的距離，度量學(xué)習(xí)能夠用于分析對(duì)象時(shí)間的關(guān)聯(lián)、比較關(guān)系，在實(shí)際問(wèn)題中應(yīng)用較為廣泛，可應(yīng)用于輔助分類、聚類問(wèn)題，也廣泛用于圖像檢索、人臉識(shí)別等領(lǐng)域。

以往，針對(duì)不同的任務(wù)，需要選擇合適的特征并手動(dòng)構(gòu)建距離函數(shù)，而度量學(xué)習(xí)可根據(jù)不同的任務(wù)來(lái)自主學(xué)習(xí)出針對(duì)特定任務(wù)的度量距離函數(shù)。度量學(xué)習(xí)和深度學(xué)習(xí)的結(jié)合，在人臉識(shí)別/驗(yàn)證、行人再識(shí)別(human Re-ID)、圖像檢索等領(lǐng)域均取得較好的性能，在這個(gè)任務(wù)中我們主要介紹基于Fluid的深度度量學(xué)習(xí)模型，包含了三元組、四元組等損失函數(shù)。

△度量學(xué)習(xí)模型 評(píng)估結(jié)果

GitHub的頁(yè)面上有安裝、準(zhǔn)備、訓(xùn)練等方面的指導(dǎo)，傳送門：

https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/metric_learning