1. 3D CNN
1.1. C3D16
直接将vgg扩展为3d形式,参数较多。
1.2. 3D Resnet v117
将resnet直接扩展为3d,未预训练的模型在小训练集(activitynet)上效果不好,大训练集(kinetics)上效果好。
Resnet3d与2d结构主要区别在于时间维度上的缩减要慢一些
细节:采用16帧,均值采样后在附近随机采样进行augmented,空间上在四个角和中间采crop,并使用multiscale技术18,将原图多尺寸crop后scale到最终需求。
在文章19中有一个对这些技术的对比,同时,这篇文章提出clip length对结果影响很大。