【程序人生】Learning Spatiotemporal Features with 3D Convolutional Networks 补充（实验数据部分）

文章主要内容

【程序人生】Learning Spatiotemporal Features with 3D Convolutional Networks

Table 2

video是一个待分类视频，每个clip是视频中的某一段。hit@1就是top-1精度，hit@5就是top-5精度。

上表是作者用不同模型对比C3D在Sports-1M数据集上进行视频分类的结果。

这里clip中帧的预处理只用简单的中心剪裁。

DeepVideo和C3D模型使用较短的clip，Convolution pooling使用较长的clip。

DeepVideo每个clip选4个帧，每个视频选20个clip，共80个帧。C3D每个clip选一个帧，每个视频选10个clip，共10个帧。Convolution pooling使用每个clip包括120个帧的长clip。

Clip hit@1是单独一个clip测试的top-1精度。Video hit@1是视频中随机10个clip测试结果平均值的top-1精度。Video hit@5是视频中随机10个clip测试结果平均值的top-5精度。

Table 3

作者在UCF101数据集上评估（注意是评估，C3D的训练并不在UCF101数据集上）C3D在行为识别任务中的表现。使用的是UCF101数据集官方给出的，用于Action recognition任务的第三种数据集分类，即trainlist03.txt（百度网盘提取码：6juk）和testlist03.txt（百度网盘提取码：11s6）。
文章作者设计了三种C3D的训练网络：

1. net-1：在I380K数据集上从头训练
2. net-2：在Sports-1M数据集上从头训练
3. net-3：在I380K数据集上训练，然后模型拿到Sports-1M上fine-tune

C3D(1 net) + linearSVM提取了4096个特征（dimensions）
C3D(3 nets) + linearSVM提取了12288个特征（dimensions）

结语

如果您有修改意见或问题，欢迎留言或者通过邮箱和我联系。
手打很辛苦，如果我的文章对您有帮助，转载请注明出处。