【论文复现PaddlePaddle】 Learning Spatio-Temporal Features with 3D Residual Networks for Action Recognit

【论文复现PaddlePaddle】 # Learning Spatio-Temporal Features with 3D Residual Networks for Action Recognition（一）论文阅读

这篇文章是一篇2017ICCV ，该篇论文提出了一种基于2D ResNets 的3D ResNets网络结构。

卷积神经网络在动作识中有着较高的性能，基于CNN的动作识别的流行方法之一是二维卷积核的双流CNN，由RGB和叠加光流帧组成的双流体系结构来获取视频中的时空信息。另一种是使用3D卷积核提取视频中的时空特征。由于已有的C3D网络会产生大量参数，整个网络的体系结构相对较浅，对动作的识别还不够，于是作者就加入了ResNets网络。
尽管模型的参数依然很多，但是比相对较浅的网络(如 C3D)获得了更好的性能。

网络结构

论文中提出了一种3D ResNets 的网络结构。输入大小为3 × 16 × 112 × 112。每个卷积层后面都有批归一化和RELU。 下采样由conv3_1, conv4_1, conv5_1执行, 步长为2。最后一个完全连接层的维度被设置为Kinetics数据集（400个类别）