视频理解的三个流派（怎么处理时序）

• LSTM (a): ConvNet + LSTM
• 3D网络 (b): 3D-ConvNet
• 双流网络，利用光流 (c): Two-Stream

其他：

• 将3D和双流结合 (d): 3D-Fused
• I3D (e): Two-Sream I3D
  

论文概览

Workshop: CVPR’17
论文标题：Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset

论文地址：https://arxiv.org/abs/1705.07750

论文作者：

• Joao Carreira from DeepMind
• Andrew Zisserman from DeepMind and Department of Engineering Science, University of Oxford (他也是双流网络的二作)

主要贡献：

1. I3D：Two-Stream Inflated（扩大、膨胀）3D ConvNet，如何将2D模型扩大膨胀到3D模型。
2. Kinetics Dataset

Kinetics Dataset

该数据集包括400个人类动作的类别，每个类别对应至少400的视频片段，且每个片段都来自不同的YouTube视频。每个视频片段（clip）都是10s。

模型详解

将2D卷积网络扩张到3D（Inflating 2D ConvNets into 3D）

Inflate：保持2D卷积网络框架，将2D的卷积核全部替换成3D的卷积核，将2D的pooling全部替换成3D的pooling。

如何用预训练好的2D网络来初始化3D网络（Bootstrapping 3D filters from 2D Filters）

bootstrap：引导
将2D图片重复n次获得一个n帧的boring video；将2D预训练好的模型的参数重复n次，并且rescale（即除以n，因为初始化要保证2D网络和3D网络面对同样的输入，可以得到同样的输出），赋给3D模型。

网络结构

实验

迁移学习实验效果：

肯定了预训练和迁移学习。

和其他方法对比：