学习笔记--Structural-RNN: Deep Learning on Spatio-Temporal Graphs

论文链接：https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Jain_Structural-RNN_Deep_Learning_CVPR_2016_paper.pdf
此为原创笔记，如需转载请注明

Structural-RNN: Deep Learning on Spatio-Temporal Graphs

  [–Ashesh Jain, etc… ICCV2016]

1、Motivation

• 当前的深度学习RNN框架缺少一个直观的高端（相对于底层、隐藏层）的空时结构；
• 计算机视觉先天潜在高端结构，如果能够去很好的拟合出这个结构，那势必在此领域上有所突破；
• 空时结构能够很好的模拟现实世界的绝大多数问题，用空时结构作为高端架构进行RNN的序列学习是值得尝试探究的，本文因此而作。
• 由于S-RNN是以RNN为基本单元模块的，因此存在如下挑战：

1. 既要尽量的丰富RNN的混合搭建，从而确保学习到复杂的（函数关系）功能；
2. 但也要保证RNN混合搭建体能够在面对不同的时空图（st-graph）时是能够度量的，换句话说就是对于一般的st-graphs都能运作起来（scalable）。

2、Contributions

• 本文提出了一个通用的方法，这个方法使得一个任意的st-graph构架的问题能够转化为一个（学习参数）丰富而可测量，且可以共同训练的以RNN为基本单元的混合结构；
• 为了突出结构化的优点，实验对比表明S-RNN较无结构化的（plain-vanilla）RNN性能要好；
• 为了突出RNN基本单元的优点，实验对比也表明S-RNN较其他非深度学习的结构化方法在空时问题上性能要好。

3、Overview

本文的基本目标有三个：
a. 提出一种通用的、不受限于特定问题的（空时）算法框架；
b. 提供一种将st-graph转化成可测量且具有丰富前馈的RNN混合架构的方法；
c. 确保网络参数是可以共同训练的。

3.1 st-graphs表示法

  st-graphs（spatio-temporal graphs），是通过图结构来表示现实中时间和空间推理的活动，一般情况下st-graph中有三个基本成分，
    
分别是物理对象（抽象成图上的点，一般包含人和物），空间上的边（表示对象在空间上的联系）和时间上的边（表示对象在时间上的联系）。总的来说st-graph由实物抽象的点和两类边构成，是一个图结构。
  Figure 1中，中间图层即为一个st-graph。其中，蓝点和红点即为实物点，蓝点表示物品（碗和微波炉），红点表示人；黑边和绿边是空间上的边，黄边和紫边表示时间上的边。通过这个图也可以看到点和边也是被细分类了的，后续细讲。
  在图中，点的特征可以是人和物的姿态（pose），而边特征可以是相对位置关系。点的标签（label）一般有两种（人物交互HOI），分别是人类行为活动和物品的直观功能（affordance）。

Affordance：在人机交互（HCI）领域中经常被使用的一个词，其概念仍未得到学术领域的统一。就个人和领域习惯而言，我更倾向于Norman的解释：Affordance是一个物体自身表现出的“怎么使用”的性质，对于其功能的视觉提示。一般一个东西的Affordance=人如何使用它+它所具有的功能属性，其中主要的是决定这个物体该如何使用的功能性的属性。此概念的些许探讨可参考：
https://www.cnblogs.com/mysunnytime/p/8895044.html

点间的因子共享（参数共享）：为了减少参数，可以让语义上相似的点共享参数。例如在Figure 1的st-graph中，我们可以看到蓝点的碗和微波炉，它们都是餐（厨）具，我们可以认为它们是语义上相似的，因此可以把它们当成同一类共享参数。也就是将点集按照语义进行分类划分不同的点类，从而同一类的点共享参数，减少参数量。这种方法一定程度上能够确保参数量不受st-graph大小影响。因此，