MoViNets：面向高效视频识别的移动视频网络

我们提出Mobile Video Networks（MoViNets），这是一类计算与内存高效型视频网络，能够对流式视频进行在线推理。三维卷积神经网络（3D CNN）在视频识别任务中具有较高的准确性，但其计算与内存开销巨大，且不支持在线推理，难以在移动设备上部署。为此，我们提出一种三步法，在显著降低3D CNN峰值内存使用的同时大幅提升计算效率。首先，我们构建了一个视频网络搜索空间，并采用神经架构搜索（Neural Architecture Search, NAS）技术，生成高效且多样化的3D CNN架构。其次，我们引入“流缓冲”（Stream Buffer）技术，将内存需求与视频片段时长解耦，使3D CNN能够在训练和推理阶段以极小的恒定内存开销，处理任意长度的流式视频序列。第三，我们提出一种简洁的集成（ensembling）策略，在不牺牲效率的前提下进一步提升模型精度。这三项逐步递进的技术使MoViNets在Kinetics、Moments in Time和Charades等视频动作识别数据集上达到了当前最优的精度与效率平衡。例如，MoViNet-A5-Stream在Kinetics 600数据集上的精度与X3D-XL相当，但所需浮点运算量（FLOPs）减少80%，内存占用降低65%。相关代码将发布于：https://github.com/tensorflow/models/tree/master/official/vision。