2019-走向视频中的主观暴力检测TOWARD SUBJECTIVE VIOLENCE DETECTION IN VIDEOS

作者对每个网络（C3D、CNN-LSTM）都经过了针对每个单独概念（血液、冷武器、爆炸、战斗、射击等）的二进制分类的训练。因为VSD数据集只有训练集的样本提供了概念的注释（血液、冷武器等），所以作者从训练集中分离了五套可用的训练影片，两套用于训练期间的验证，三套用于测试。也就是说作者用C3D、CNN-LSTM两个模型分别单独训练了更细致的暴力分类概念（血液、爆炸、射击等），之后作者用C3D Fusion、CNN-LSTM Fusion两个模型进行训练，其融合数据来自各个模型之前单独训练出来的特征。作者设计了一个网络策略，该策略可以从二元分类网络获得的输出权重中独立学习最终策略，这个策略就是放在两个单独训练的模型中，来提取融合特征。这里可能有些难懂，具体可以看后面的Feature-fusion network。
在本文中，我们探索了一种不同的暴力检测方法，该方法依赖于两个深度神经网络（DNN）框架来学习在不同情况下（基于主观和基于概念）的视频剪辑的时空信息。 我们针对每个特定概念利用深层特征表示，并通过将浅层神经网络训练为二元分类问题来汇总整体暴力，从而将它们进行汇总。

贡献：

首先，作者考虑三种不同的视频中暴力检测场景：（i）基于概念的暴力检测，以识别视频中所需的暴力概念； （ii）一种设置，其中不考虑第一种情况，仅使用暴力作为独特概念； （iii）关于第一种情况，我们考虑将概念整体融合在一起，以确定更高级的暴力概念。
其次，作者利用两个深度神经网络（DNN）