驾驶员行为识别论文研读（一）---LearningMotionRepresentationforActionRecognition

1.论文名称：ActionFlowNet: LearningMotionRepresentationforActionRecognition
2.可用的方法：
利用 local patches 的轨迹；
spatio-temporal 联合的手工特征；
从光流运动中得到的深度特征，这是个像素级别的短期特征表达；
还有用两个卷积神经网络的，分别利用静态图像学习appearance ，和利用 optical flow 学习motion，但是这种方法没有对appearance 和motion进行良好交互，而且光流的学习计算复杂度特别高。
如果给定大型的数据集可以利用3D卷积的CNN架构，训练出一个大容量的分类器。
还有人使用feature pooling 和LSTM来训练视频序列的。
有个论文中用大数据集训练出的结果还不如小数据集用光流得到的好，这说明，用一个合适的 representation learning方法往往更加重要。
最后提出，这篇文章重点研究如何找到有效的learn motion representations 在没有大规模数据集的情况下。
这篇文章是在一篇用神经网络估计光流的论文中得到启发，先训练了个前馈卷积神经网络叫做ActionFlowNet 来同时识别行为和估计光流，他们是基于 raw pixels 而不是手工特征表述。
这是这篇论文的网络架构。
这篇论文在两个行为识别基准 UCF101 和 HMDB51做了实验。

Multi-frameOpticalFlowwith3D-ResNet ：
有人提出了个FlowNet基于卷积神经网络来估