视频特征提取：C3D/Learning Spatiotemporal Features with 3D Convolutional Networks

总结

3D conv在之前并没有广为盛行于视频处理领域。作者认为，相比会丢失时间信息的2D conv，3D conv非常适合时空特征学习（即针对视频），下图是2D conv和3D conv的区别。

作者使用基于3x3x3的3D conv的带有全连接层的深度卷积神经网络对视频进行特征提取，同时验证了3x3x3的3D conv性能相对其他大小的3D conv更优秀。

并且，训练好的C3D可以作为优秀的特征提取器，能够提取输入视频的特征，用作在其他任务上。

作者认为，一个优秀的视频描述符应该有四个指标：

• 通用性（generic）
• 紧凑型（compact）
• 高效率（efficient）
• 易实施（simple）

作者认为本文C3D网络提取的特征能够达到以上四个指标，拥有良好的性能。

Methods

由于没有3D conv方面的先验知识，作者借用了3x3 conv在2D conv上的成功的先验知识，首先就选择3x3x3卷积进行实验。
NOTE THAT：视频用c*l*h*w表示，c为通道，l为帧长度（时序），hw为帧尺寸