2021- （让2D CNN具有短期编码的能力）用于实时暴力识别的高效时空建模方法

Efficient Spatio-Temporal Modeling Methods for Real-Time Violence Recognition
IEEE Access的一篇文章，其模型在RWF-2000数据集获得了92%的准确率，作者提出了轻量级的空间注意模块和时间注意模块，还有一个Frame-grouping方法，可以与传统的二维卷积神经网络（2D CNNs）相结合，该方法是本文的亮点，作者通过消融实验证明了Frame-grouping方法获得的提升最大，仅使用Frame-grouping都可以在RWF-2000数据集获得88%的准确率，而且Frame-grouping还降低了计算量，更有利于部署在硬件端。下图为整个模型的流程图：

空间注意力MSM模块利用连续帧的差异，捕捉来自运动边界的特征地图的显著区域。时间注意力T-SE可以地突出与目标事件相关的时间段。Frame-grouping将RGB的通道进行平均化，并将三个连续的通道平均化的帧作为CNN的输入。

空间注意力：MSM

MSM可以有效的突出移动的对象，MSM计算出来的运动特征，通过扩张运动边界 便得到了注意力图，先求出两帧的欧几里得距离xt和xt+1，按下图公式求得移动物体的边界：