DashNet: A Hybrid Artificial and Spiking Neural Network for High-speed Object Tracking
DashNet: A Hybrid Artificial and Spiking Neural Network for High-speed Object Tracking
2021-05-10 20:14:27
Paper: https://arxiv.org/pdf/1909.12942.pdf
Code: Not available yet
1. Background and Motivation:
本文提出了一种混合 SNN 和 ANN 的跟踪框架，分别用 SNN 编码脉冲流，ANN 编码 video frame。此外，由于缺乏 event camera 的跟踪数据集，作者将 NFS 数据集进行转换，得到对应的脉冲流数据。
其中，比较有意思的是，作者提出了一种直接训练 SNN tracking 的方法。
2. Method
2.1. SNN Tracking：
作者这里采用了离散 LIF 模型作为 SNNs 的基本计算单元，即：
其中，dt 代表离散的时间步骤，当势能超过设定阈值时，将会发射一个脉冲，然后进行重置。
其中，H(x) 代表 Heaviside function。当 x > 0 时，H(x) = 1，否则，H(x) = 0。如公式 3 所示，SNNs 用 event-driven binary spikes 来表达信息。然而，跟踪任务通常需要高精度的 BBox 信息，这和脉冲表示是不同的。虽然 rate coding 可以缓解该问题，但是其仍然需要 prohibitive time latency 来确保性能。为了将 SNNs 应用到跟踪任务中，作者将 SNN 看做是特征提取器，并且添加一个线性层来学习 high-precision information。用这种方式，其可以累积非常短期间隔的脉冲信息，通过 linear-and-product operation 来输出最终结果。对应的，作者提出了如下的损失函数，MSE 被用于给定时间窗口 T 的所有样本上进行最小化：
其中，N 代表网络的层数，nk 代表第 k 层 神经元的个数。然后作者提到，用了 BPTT 进行了模型的训练。但是，这里没讲明白，到底用的什么作为 label 进行训练的呢？从下面的 ANN tracking 模块和SNN的输出，推测应该是直接预测 4-D 的向量，对跟踪的矩形框进行位置估计。
这里的 SNN 跟踪模块的网络结构是: Input-MP2-32C3S3-64C3S1-128C3S1-128C3S2-256C3S2-FC1024-FC4 。其中, MP 应该是 Max-Pooling，C是指卷积层，S是指 stride，FC就是全连接层。从网络层的角度来说，和常规的 CNN+FC 组合没有区别。但是激活函数这里用的是 LIF 神经元，是根据电压进行激活重置的。
2.2. ANN Tracking：
这里就是常规的输入视频帧，提取特征，然后进行结果的预测。和 SNN 不同的地方就是，激活函数，这里用的是 ReLU，这也是主流 ANN 的激活函数：
这里 ANN 的计算代价昂贵。
这部分的网络结构是: Input-32C3S3-MP2-64C3S1-MP2-128C3S1-128C1S1-MP2-256C2S2-FC1024-FC4 。
2.3. Hybrid Approach:
2.3.1. Temporal Complementary Filter (TCF)：
给定 ANN 和 SNN 模块的跟踪结果，作者这里进行了集成，以得到更加鲁棒的跟踪结果 ，该部分的融合是由时序互补滤波 (Temporal Complementary Filter) 进行融合的。
ANN 的输出 和 SNN 输出的时序距离定义为 D = ||ta - ts||2. ta 和 ts 分别是 ANN 和 SNN 的时间戳，对于相同时间戳的 SNN 的输出，作者搜索和 ANN 最接近的 p-th个输出。最近的距离满足：
利用这种方式，作者计算了组合权重 w，
最终，可以获得组合的输出 h：
其中，O 和 a 分别是 SNN 和 ANN tracker 的输出。TCF 还假设 ANN 可以提供更加准确的跟踪结果，这样就可以有效地修改 SNN 的结果。
2.3.2. Attention Mechanism:
作者开发了一种注意力方法作为一种可训练的 channel 插入模块。具体来说，在推理阶段，对于 frame-based picture Ft，作者首先搜索最近邻的 TCF 跟踪轨迹，然后用这个反馈的结果来产生一个新的输入 tensor。就是根据历史时刻的信息，进行产生一个先验的 soft mask weight M。这个 M 的计算过程如下所示：
其中，矩形框区域的值是根据跟踪状态决定的。有了这个掩模，作者计算一个 attentional channel input：
然后将其和输入图像进行组合，当做是新的 tensor 作为网络的输入。
关于该模块的训练，作者是直接对原始的矩形框位置进行随机的扰动，这样训练数据的获取较为简单。否则，应该是要在一批视频上进行测试，得到跟踪结果后，再挑选合适的轨迹，当做训练数据，进行相关的模型训练。用这种方法，frame-based CNN 可以学习到有噪声的辅助信息，对于改善跟踪的鲁棒性是有帮助的。
2.4. Hybrid Data Simulator：
这部分是用 FCN 的方法学习一个 event data 模拟器，可以做到从 frames 到 event 的转换，类似的算法库有 v2e，GitHub上可以搜得到。
3. Experimental Results：
终于到了令人兴奋地实验部分了，兴奋地地方在哪呢？速度！
首先来看精度方面：
从上面的图中，可以发现，跟踪的总体精度不是很高。作者这里提供了两个数据集的结果，NFS 和 PRED18. 在 NFS 数据上，APS的跟踪算法比本文方法是要强的，例如 MDNet 的 SR 是 50.2，而本文方法是 42.8. 但是在 DVS 数据上，作者的方法可以达到 38.0，而MDNet是 32.9. 这说明，这两个方法在各自擅长的领域，各有千秋？
作者也对比了不同的模块，以验证不同模块的有效性，具体结果如下所示：
作者和其他的跟踪方法在不同的测试平台上也进行了对比和验证。
重点来了，从上述表格可以发现，在 GPU 上的速度，貌似并不快，达到 47.8 FPS，而在神经形态硬件上可以取得 2083.3 FPS 的速度。为什么在天机芯片上的速度这么强的呢？作者给出了如下的分析：
1. 天机芯片的文章发表在 Nature 上，本身该硬件就是结合了 ANN 和 SNN 融合的思路来做的，硬件上可能有专门的优化；
2. SNN 没有矩阵、向量的乘法操作，只有加法操作。这就节省了大量的计算资源，实现起来更加容易，功耗更低，跑的快；
3. SNN 处理的 event data，是稀疏的，从这个角度来说，的确是可以节省不少资源。
但是，有一点小疑问，SNN 的速度是 2083.3，融合了 SNN-ANN 的 Dashnet，为啥速度不变呢？问了相关老师，解释说是因为天机芯片里面可以一部分核配置为ANN模式一部分是SNN模式，tracking 的时候最高频率由最快的网络决定。从精度上来说，ANN 0.393，SNN 0.321，融合后的 DashNet 0.372，居于两者之间。速度和功耗上比 ANN 好，精度降低了一些。
==
