МЕТОД ПРОГНОЗИРОВАНИЯ КАДРОВ ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ НА ОСНОВЕ ГЕНЕРАТИВНЫХ НЕЙРОННЫХ СЕТЕЙ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.931

doi:10.21685/2227-8486-2021-3-9

МЕТОД ПРОГНОЗИРОВАНИЯ КАДРОВ ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ НА ОСНОВЕ ГЕНЕРАТИВНЫХ НЕЙРОННЫХ СЕТЕЙ

В. Д. Сазыкина1, М. А. Митрохин2

1 2 Пензенский государственный университет, Пенза, Россия 1 sazykinavd@yandex.ru, 2 mmax83@mail.ru

Аннотация. Актуальность и цели. Рассматриваются основные недостатки традиционных подходов к обнаружению движущихся объектов в видеопотоке. Обосновывается необходимость использования новых подходов на базе глубокого обучения. Материалы и методы. В качестве перспективного направления в решении задачи обнаружения движущихся объектов в видеопотоке предлагается использовать генеративную состязательную сеть. Для сохранения семантически в процессе нормализации - метод пространственно-адаптивной нормализации. Совместно с методом пространственно-адаптивной нормализации предлагается применить метод семантической сегментации и метод оценки оптического потока. Результаты. В результате исследования был разработан метод прогнозирования кадров. Предложено использовать блоки Multi-SPADE и повторное применение сети деформационных объемов «Devon» к спрогнозированному и реальному, смежному во времени кадрам. Выводы. Предложенный метод прогнозирования кадров видеопоследовательности может служить основой для построения метода обнаружения движущихся объектов.

Ключевые слова: глубокое обучение, генеративная состязательная сеть, пространственно-адаптивная нормализация, карта пространства, семантическая сегментация, сеть встраивания меток, оптический поток, сеть деформационных объемов

Для цитирования: Сазыкина В. Д., Митрохин М. А. Метод прогнозирования кадров видеопоследовательности на основе генеративных нейронных сетей // Модели, системы, сети в экономике, технике, природе и обществе. 2021. № 3. С. 91-97. doi:10.21685/2227-8486-2021-3-9

METHOD OF PREDICTION OF VIDEO SEQUENCE FRAMES BASED ON GENERATIVE NEURAL NETWORKS

V.D. Sazykina1, M.A. Mitrokhin2

1, 2 Penza State University, Penza, Russia 1 sazykinavd@yandex.ru, 2 mmax83@mail.ru

Abstract. Background. The main disadvantages of traditional approaches to detecting moving objects in a video stream are considered. The need for new approaches based on in-depth learning is justified. Materials and methods. As a promising direction in solving the problem of detecting moving objects in a video stream, the use of a generative adversarial network is proposed. To preserve semantically in the process of normalization a method

© Сазыкина В. Д., Митрохин М. А., 2021. Контент доступен по лицензии Creative Commons Attribution 4.0 License / This work is licensed under a Creative Commons Attribution 4.0 License.

of spatial-adaptive normalization is proposed. Together with the method of spatial-adaptive normalization, it is proposed to use the method of semantic segmentation and the method of estimating optical flow. Results. As a result of the research, a method of forecasting video frames was developed. It is proposed to use Multi-SPADE blocks, and the repeated application of the "Devon" network of deformation volumes to the predicted frame and the real one, adjacent in time. Conclusions. The proposed method for predicting frames of a video sequence can be used for constructing a method for detecting moving objects.

Keywords: deep learning, generative adversarial network, spatial-adaptive normalization, space map, semantic segmentation, label embedding network, optical flow, deforma-ble volume network

For citation: Sazykina V.D., Mitrokhin M.A. Method of prediction of video sequence frames based on generative neural networks. Modeli, sistemy, seti v ekonomike, tekhnike, prirode i obshchestve = Models, systems, networks in economics, technology, nature and society. 2021;(3): 91-97. (In Russ.). doi:10.21685/2227-8486-2021-3-9

Введение

Традиционные подходы к обнаружению движущихся объектов в видеопотоке обычно сводятся к сравнению пикселей последовательности кадров [1] и вычислению оптического потока [2]. Повысить эффективность обнаружения объектов позволяют подходы, основанные на предсказании движения пикселей в будущем кадре, предполагающие известным закон движения [3]. Одним из основных недостатков этих подходов является то, что прогнозирование движения подвержено ошибкам из-за различных факторов, таких как освещенность, нелинейность движения объектов, сложный фон и т.д. Существует ряд методов, основанных на глубоком обучении, наследующих эту идею. Глубокие сети показывают удовлетворительные результаты при обработке сложных движений в динамической сцене.

Прогнозирование не отдельных частей, а целиком кадра видеопоследовательности - это многообещающее направление исследований в области компьютерного зрения. Прогнозирование будущих кадров из набора последовательно предшествующих может использоваться для обнаружения движущихся объектов и аномальных событий. Данная задача имеет широкую прикладную ценность в таких областях, как робототехника и автономное вождение.

Материалы и методы

Основным этапом решения задачи прогнозирования кадра является выбор архитектуры нейросети.

Генеративная состязательная сеть (GAN) - это среда машинного обучения для генерации данных, обучающаяся генерировать новые данные, которые следуют распределению, аналогичному распределению в обучающих наборах. GAN включает в себя две состязательные сети, сеть генератора и сеть дискриминатора. Генератор стремится сгенерировать правдоподобный выходной сигнал, чтобы «обмануть» дискриминатор, в то время как дискриминатор пытается правильно классифицировать сгенерированные данные [4]. Классическая схема GAN-архитектуры представлена на рис. 1.

Рис. 1. Схема архитектуры GAN

Одним из самых популярных типов GAN, в частности для генерации изображений, стала архитектура глубокой сверточной генеративной состязательной сети (DCGAN) [5]. Именно данную архитектуру предлагается использовать для дальнейшего исследования. Ключевым отличием архитектуры DCGAN от GAN является применение модели сети для генератора и дискриминатора - глубоких сверточных сетей. Схемы генератора и дискриминатора DCGAN представлены на рис. 2 и 3 соответственно.

з

G(z)

Рис. 2. Схема генератора архитектуры DCGAN

Рис. 3. Схема дискриминатора архитектуры DCGAN

В архитектуре БСОАК семантический макет напрямую передается в качестве входных данных в глубокую сеть, которые затем обрабатываются с помощью стеков слоев свертки, нормализации и нелинейности. Согласно

исследованиям [6] это не оптимально, поскольку слои нормализации имеют тенденцию «смывать» семантическую информацию. Чтобы решить эту проблему, в работе [6] предлагается использовать метод пространственно-адаптивной нормализации (SPADE), схема которого представлена на рис. 4.

Пакетная нормализация SPADE

Нормализация Нормализация

Рис. 4. Схема метода SPADE

Данный метод предполагает использование макета ввода для модуляции активаций в слоях нормализации с помощью пространственно-адаптивного, обученного преобразования. Согласно исследованию [6] применение пространственно-адаптивной нормализации позволяет синтезировать значительно лучшие результаты по сравнению с другими методами нормализации.

В качестве основного компонента генератора возможно использование блоков Multi-SPADE, каждый из которых состоит из нескольких SPADE-слоев. Предполагается, что каждый SPADE-слой принимает на вход карту пространства: семантическую сегментацию, оптическую деформацию и выход предыдущего слоя в виде оптического потока. Затем внутри слоя применяются соответствующие преобразования на промежуточных картах признаков. Схема применения Multi-SPADE блоков представлена на рис. 5.

Рис. 5. Схема применения Multi-SPADE блоков

В качестве подхода семантической сегментации предлагается применить метод под названием «Label Embedding Network» [7], который может изучать представление меток (встраивание меток) в процессе обучения глубоких сетей. С помощью предлагаемого метода встраивание меток адаптивно и автоматически осуществляется посредством обратного распространения оши-

бок. Функция потерь, представленная исходным унитарным кодом, преобразуется в новую функцию потерь с «мягким» распределением, так что изначально несвязанные метки постоянно взаимодействуют друг с другом в процессе обучения. В результате обученная модель может достичь существенно более высокой точности и более высокой скорости сходимости [7]. Согласно исследованию [7] экспериментальные результаты, основанные на соревновательных задачах, демонстрируют эффективность применения данного метода.

Современные модели нейронных сетей оценивают оптический поток большого смещения в нескольких разрешениях и используют деформацию для распространения оценки между двумя разрешениями. Несмотря на их впечатляющие результаты, известно, что у этого подхода есть две проблемы. Во-первых, оценка оптического потока с несколькими разрешениями не работает в ситуациях, когда небольшие объекты движутся быстро. Во-вторых, деформация создает артефакты, когда происходит окклюзия или дисклюзия. Для решения данных проблем в качестве подхода определения деформации предлагается применить сеть деформационных объемов «Deformable Volume Network - Devon» [8], которая может оценивать разномасштабный оптический поток в едином высоком разрешении на эффективном уровне [8].

Результаты

В результате применения и объединения перечисленных подходов в контексте обнаружения движущегося объекта разработан метод прогнозирования кадра видеопоследовательности. Общая схема прогнозирования кадра видеопоследовательности с использованием всех рассмотренных подходов представлена на рис. 6.

Рис. 6. Общая схема прогнозирования кадра видеопоследовательности с использованием нейронных сетей

Метод базируется на использовании блоков МиШ^РАБЕ, слои которых последовательно принимают на вход карту пространства: семантическую сегментацию, оптическую деформацию и выход предыдущего слоя в виде оптического потока. Ключевым подходом для обнаружения движущегося объекта в видеопотоке является повторное применение сети деформацион-

ных объемов «Devon» к спрогнозированному и реальному, смежному во времени кадрам.

Реализация разработанного метода возможна с использованием таких инструментов, как кроссплатформенный фреймворк Qt, библиотека машинного обучения libtorch с поддержкой Nvidia CUDA [9, 10], а также библиотека алгоритмов компьютерного зрения, обработки изображений и численных алгоритмов общего назначения - OpenCV [1]. Дальнейшее исследование направлено на определение эффективности предлагаемого метода и конечной реализации.

Заключение

Рассмотрено применение глубокого обучения, в частности архитектуры DCGAN, в качестве подхода к обнаружению движущихся объектов в видеопотоке. Для основных компонентов архитектуры выполнен анализ современных подходов, выбраны методы и решения, позволяющие повысить эффективность обнаружения объектов. Предполагаемая эффективность базируется на результатах исследований, посвященных областям, соответствующим методам. В результате применения выбранных подходов разработан метод обнаружения движущихся объектов в видеопотоке. В качестве вектора дальнейшего исследования предложены реализация разработанного метода и получение данных, позволяющих выполнить сравнительный анализ с существующими аналогами.

Список литературы

1. Гарсия Б. Г., Суарес Д. О., Аранда Э. Л. [и др.]. Обработка изображений с помощью OpenCV. М. : ДМК, 2016. 210 с.

2. Fleet D. J., Weiss Y. Optical Flow Estimation // Handbook of Mathematical Models in Computer Vision, 2006. URL: https://www.cs.toronto.edu/~fleet/research/Papers/ flowChapter05.pdf (дата обращения: 08.07.2021).

3. Сазыкина В. Д., Митрохин М. А. Обработка изображений с динамическим фоном // Новые информационные технологии и системы : сб. науч. ст. XVI Меж-дунар. науч.-техн. конф. (г. Пенза, 27-29 ноября 2019 г.). Пенза : Изд-во ПГУ, 2019. 312 с.

4. Goodfellow I., Pouget-Abadie J., Mirza M., Xu B. Generative Adversarial Networks, 2014. URL: https://arxiv.org/abs/1406.2661 (дата обращения: 08.07.2021).

5. Radford A., Metz L., Chintala S. Unsupervised Representation Learning With Deep Convolutional Generative Adversarial Networks, 2015. URL: https://arxiv.org/abs/ 1511.06434 (дата обращения: 08.07.2021).

6. Park T., Liu M., Wang T., Zhu J. Semantic Image Synthesis with Spatially-Adaptive Normalization (SPADE), 2019. URL: https://arxiv.org/abs/1903.07291 (дата обращения: 08.07.2021).

7. Sun X., Wei B., Ren X., Ma S. Label Embedding Network: Label Embedding Network: Learning Label Representation For Soft Training Of Deep Networks, 2017. URL: https://arxiv.org/abs/1710.10393 (дата обращения: 08.07.2021).

8. Lu Y., Valmadre J., Wang H. [et all.]. Devon: Deformable Volume Network for Learning Optical Flow, 2020. URL: https://arxiv.org/abs/1802.07351 (дата обращения: 08.07.2021).

9. Макмахан Б., Рао Д. Знакомство с PyTorch. СПб. : Питер, 2020. 256 с.

10. PyTorch C++ API. URL: https://pytorch.org/cppdocs/ (дата обращения: 08.07.2021).

References

1. Garsiya B.G., Suares D.O., Aranda E.L. [et al.]. Obrabotka izobrazheniy s pomoshch'yu OpenCV = Image processing with OpenCV. Moscow: DMK, 2016:210. (In Russ.)

2. Fleet D.J., Weiss Y. Optical Flow Estimation. Handbook of Mathematical Models in Computer Vision, 2006. Available at: https://www.cs.toronto.edu/~fleet/research/ Papers/flowChapter05.pdf (accessed 08.07.2021).

3. Sazykina V.D., Mitrokhin M.A. Image processing with dynamic background. Novye informatsionnye tekhnologii i sistemy: sb. nauch. st. XVI Mezhdunar. nauch.-tekhn. konf. (g. Penza, 27-29 noyabrya 2019 g.) = New information technologies and systems : collection of scientific Articles XVI Inter-dunar. scientific-technical. conf. Penza: Izd-vo PGU, 2019:312. (In Russ.)

4. Goodfellow I., Pouget-Abadie J., Mirza M., Xu B. Generative Adversarial Networks, 2014. Available at: https://arxiv.org/abs/1406.2661 (accessed 08.07.2021).

5. Radford A., Metz L., Chintala S. Unsupervised Representation Learning With Deep Convolutional Generative Adversarial Networks, 2015. Available at: https://arxiv.org/abs/ 1511.06434 (accessed 08.07.2021).

6. Park T., Liu M., Wang T., Zhu J. Semantic Image Synthesis with Spatially-Adaptive Normalization (SPADE), 2019. Available at: https://arxiv.org/abs/1903.07291 (accessed 08.07.2021).

7. Sun X., Wei B., Ren X., Ma S. Label Embedding Network: Label Embedding Network: Learning Label Representation For Soft Training Of Deep Networks, 2017. Available at: https://arxiv.org/abs/1710.10393 (accessed 08.07.2021).

8. Lu Y., Valmadre J., Wang H. [et al.]. Devon: Deformable Volume Network for Learning Optical Flow, 2020. Available at: https://arxiv.org/abs/1802.07351 (accessed 08.07.2021).

9. Makmakhan B., Rao D. Znakomstvo s PyTorch = Acquaintance with PyTorch. Saint Petersburg: Piter, 2020:256. (In Russ.)

10. PyTorch C+ + API. Available at: https://pytorch.org/cppdocs/ (accessed 08.07.2021).

Информация об авторах /Information about the authors

Валерия Дмитриевна Сазыкина

аспирант,

Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40) E-mail: sazykinavd@yandex.ru

Максим Александрович Митрохин

доктор технических наук, профессор, заведующий кафедрой вычислительной техники, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40) E-mail: mmax83@mail.ru

Valeriya D. Sazykina

Postgraduate student,

Penza State University

(40 Krasnaya street, Penza, Russia)

Maxim A. Mitrokhin

Doctor of technical sciences, professor, head of the sub-department of computer engineering, Penza State University (40 Krasnaya street, Penza, Russia)

Авторы заявляют об отсутствии конфликта интересов / The authors declare no conflicts of interests.

Поступила в редакцию/Received 30.04.2021 Поступила после рецензирования/Revised 26.06.2021 Принята к публикации/Accepted 12.07.2021