本文介紹CVPR2023的中稿論文：Temporal Attention Unit: Towards Efficient Spatiotemporal Predictive Learning。這篇論文介紹了一種用于高效時空預(yù)測的時間注意力單元（Temporal Attention Unit，TAU）。該方法改進了現(xiàn)有框架，對時間和空間上的依賴關(guān)系分別學習，提出了時間維度上的可并行化時序注意力單元，實現(xiàn)了高效的視頻預(yù)測。

引言

時空預(yù)測學習是一種通過學習歷史幀來預(yù)測未來幀的自監(jiān)督學習范式，可以利用海量的無標注視頻數(shù)據(jù)學習豐富的視覺信息，在氣象預(yù)測、交通流量預(yù)測、人體姿勢變化估計等領(lǐng)域有著廣泛的應(yīng)用場景。時空預(yù)測學習需要考慮視頻中的空間相關(guān)性和時間演變規(guī)律，這是一項具有挑戰(zhàn)性的任務(wù)。傳統(tǒng)的方法主要基于循環(huán)神經(jīng)網(wǎng)絡(luò)來建模時間依賴關(guān)系，但是RNN有著計算效率低、難以捕捉長期依賴、容易出現(xiàn)梯度消失或爆炸等缺點。因此，如何設(shè)計一個高效、準確、穩(wěn)定的時空預(yù)測學習模型，是一個亟待解決的問題。為了解決這個問題，我們首先研究現(xiàn)有的方法,并提出時空預(yù)測學習的通用框架，如下圖所示。

TAU

如下圖所示，TAU模型不使用循環(huán)神經(jīng)網(wǎng)絡(luò)，而是使用注意力機制來并行化地處理時間演變。TAU模型將時空注意力分解為兩個部分：幀內(nèi)靜態(tài)注意力和幀間動態(tài)注意力。幀內(nèi)靜態(tài)注意力使用小核心深度卷積和擴張卷積來實現(xiàn)大感受野，從而捕捉幀內(nèi)的長距離依賴關(guān)系。幀間動態(tài)注意力使用通道間注意力的方式來學習不同幀之間的通道權(quán)重，從而捕捉幀間的變化趨勢。

TAU模塊將時間注意力分為兩部分：幀內(nèi)靜態(tài)注意力和幀間動態(tài)注意力。前者通過獲得的大感受野捕捉幀內(nèi)的長期依賴關(guān)系；而后者以擠壓和激發(fā)的方式學習通道的注意力權(quán)重，以捕捉時間線上的時序演變。最后的注意力是動態(tài)注意力和靜態(tài)注意力結(jié)合的產(chǎn)物。受ViTs和大核卷積的啟發(fā)，研究者使用了深度卷積（DW Conv）、深度擴張卷積（DW-D Conv）和1x1通道卷積來建模大核卷積。

此外，我們還提出了一種新穎的差分散度正則化方法，用于優(yōu)化時空預(yù)測學習的損失函數(shù)。該方法同時考慮了幀內(nèi)誤差和幀間變化量。通過將預(yù)測幀和真實幀之間的差分轉(zhuǎn)換為概率分布，并計算它們之間的KL散度，來強制模型學習到視頻中固有的變化規(guī)律。差分散度正則化（differential divergence regularization）是預(yù)測幀與其對應(yīng)的真實幀之間的Kullback-Leibler（KL）散度。具體而言，它是預(yù)測幀差分和真實幀差分之間的KL散度。

τ 代表溫度參數(shù)，經(jīng)驗性地將其設(shè)置為0.1以增強概率分布的差異。直觀來說，均方誤差損失（MSE）僅考慮幀內(nèi)誤差，而差分散度正則化克服了這一缺點，迫使模型學習連續(xù)幀之間的差異并意識到固有的變化，以改善模型的預(yù)測。

因此目標損失函數(shù)：

實驗

Moving MNIST

下圖是在Moving MNIST上測試的兩個實例，對于隨機運動的數(shù)字，預(yù)測與目標的絕對差異很細微，說明TAU能很好地處理時空預(yù)測：

相對于SOTA的循環(huán)模型，TAU的性能增益是較大的，在三個度量指標下，TAU的表現(xiàn)都超越了其他方法：

TaxiBJ

在真實復(fù)雜環(huán)境的交通流量數(shù)據(jù)集上，TAU具有良好的表現(xiàn)：

不同數(shù)據(jù)的泛化

為了檢驗?zāi)Ｐ偷姆夯芰Γ覀兿仍贙ITTI原始數(shù)據(jù)上進行訓練，接著使用Caltech dataset進行評估，評估時輸入前十幀預(yù)測下一幀。

靈活長度的預(yù)測

我們的模型可以通過模仿RNN，將預(yù)測的幀作為輸入并遞歸產(chǎn)生預(yù)測來處理靈活長度的預(yù)測。對于KTH數(shù)據(jù)集，人體運動預(yù)測任務(wù)的難點不僅在于預(yù)測幀的靈活長度，還在于涉及人類意識隨機性的復(fù)雜動力學，這增加了任務(wù)的困難程度。TAU可以從給定的10幀中預(yù)測接下來的20或40幀，也有出色的表現(xiàn)。

運行效率

此外，我們的模型不僅可以提高視頻生成質(zhì)量，還可以提高計算效率和訓練速度。如下圖所示，收斂速度極快，50輪訓練即可達到MSE 35.0的水準。在相同實驗環(huán)境下，TAU模型在基準數(shù)據(jù)集上每個周期只需要2.5分鐘，而此前的SOTA方法需要7到30分鐘不等。

總結(jié)

本文提出了一個通用的時空預(yù)測學習框架，使用基于靜態(tài)和動態(tài)結(jié)合的時間注意力模塊替代循環(huán)單元，還引入了差分散度正則化方法來解決僅考慮幀內(nèi)誤差的MSE損失的問題，為高效的時空預(yù)測學習提供了新的范式。
責任編輯：彭菁