Video you only look once: Overall temporal convolutions for action recognition论文解析

   论文地址： https://www.sciencedirect.com/science/article/pii/S1047320318300233?via%3Dihub

    这两天读了一个关于视频中动作识别的论文，属于分类网络，就是将短视频中正在进行的是某个动作识别出来（一个视频只有一种动作），先说一下主要流程吧：

     这个论文虚的很！特能吹！其实3页的内容写了整整八页，全TM是废话！你先看看名字，VideoYOLO!    跟Joseph Redmon大神的YOLO齐名了，其实跟YOLO一点没有关系，只是暗指自己的网络快，害的我一听YOLO激动的不行，其实只是一个盗版的C3D网络，好了，言归正传吧。

    其实并不是那么差，还是有要学习的地方的！

1.目前主流的视频中动作识别网络分为两大部分，一个是2D-CNN网络，另一个是3D-CNN网络

•        2D-CNN网络就是一张一张的把视频的每帧送入网络进行检查，然后得出结果，可想而知，这样会很慢。
•       3D-CNN网络就是将视频中的帧在时间轴上叠在一起，形成一个3D图像，然后进行3D卷积提取特征并识别。这样会比较快一点。

2. 3D-CNN网络里面也分为多种，就是帧的选取，有的是整个视频的帧都保留进行处理，有的是选出来一部分进行处理，至于怎么选出来一部分，又是一个大学问：

•                     普遍做法是将每个视频分成若干个clip,每个clip进行3D卷积，比如C3D就是这么干的（其实C3D不是这么干的，作者说错了，我待会会讲C3D是怎么干的）。
•                     本文做法是在一个视频中按照时间顺序均匀或随机（后面就一直用的均匀）抽取T帧，然后将T帧合并在一起形成 proxy video，进行3D卷积运算送入网络。如下图： 

 

3.由于抽取的帧数不确定，作者设置了8种 { 4,8,16,32,48,64,80,96 }进行对比，而且每种网络都有细微的差别，主要在池化层上面。（你看看VYOLO-16的网络，这TM明显就是C3D网络，一个参数不带变的）

4.经过第3步之后就得到了分类结果，就直接输出了，简单吧，就这些东西，当然，作者也对这些数据进行了对比，然后竟然比C3D的效果要好那么一点点，竟然！

5,这种抽取的方法值得一学，另外C3D的抽取方法其实更厉害，C3D是先均匀抽样，然后再在均匀抽样之后取连续的16张进行的，这样有好处也有坏处，好处就是能减少帧数，坏处就是那16张不一定能代表整体，说不定是在最前面呢，或者最后面呢。

                                                     谢谢大家，我的表演结束！