文献阅读笔记——Action Recognition with Stacked Fisher Vectors

        本文由Xiaojiang Peng发表在计算机视觉顶级国际会议ECCV2014。由标题可以看出作者是利用分层的Fisher Vectors做行为识别。作者的动机是想将特征的维度做高。这种分层的做法近几年比较常见，如 ICRA 2014关于3d点云无监督特征的论文Unsupervised Feature Learning for 3D Scene Labeling，ICRA的这篇论文做了两层的Sparse Coding，在Sparse Coding的基础上做Sparse Coding。

本文框架       

      如图1所示，作者给出了本文基于Fisher Vectors的框架和传统的基于Fisher Vectors的框架不同。本文做了两层的Fisher Coding，在得到底层特征的Fisher Vectors后，在Fisher Vectors的基础上得到新的Fisher Vectors。第二层输出的Fisher Vectors即作者所称的 Stacked Fisher Vectors (SFV)，在做分类时可直接将SFV导入分类器中。作者通过实验验证，将FV同SFV串联起来形成高维特征效果要比单独用FV或者SFV效果更好。小结下本段的意思，SFV是FV上的特征，即关于特征的特征，即中层特征。

本文算法

第一层Fisher Vectors 提取

        提取第一层的目的是为第二层的Fisher Vecto