如何区分针对视频的分类，场景识别，动作识别三个概念？

如题，比如对于斗_殴、爆_炸和枪_击三类视频，从深度学习学术角度讲，是纯粹的视频分类问题？还是场景抑或行为识别问题？看论文的话主要的搜索关键词应当是什么？

overlap很严重。而且要看你对动作如何定义。

我平时主要搜Action Recognition。视频分类和动作识别是有区别的，动作识别一般带BoundingBox，把动作的主体标出。但像UCF101这样的数据集，因为视频中本身没有太多别的干扰因素，所以视频分类和动作识别差别不大了。最近google、mit都开源了这方面的数据集，期待能有ImageNet对图像分类的推动作用。

这取决于动作怎么定义。最抽象的定义是，开门跟打开盒子定义成一个类别，都是开的概念。