视频物体检测(VID) Impression Network for Video Object Detection

SenseTime出品

来源：https://arxiv.org/pdf/1712.05896.pdf

基于印象机制的高效多帧特征融合，解决defocus and motion 

blur等问题（即视频中某帧的质量低的问题），同时提高速度和性能。 

类似TSN，每个segment选一个key frame（注意，TSN做视频分类是在cnn最后才融合不同的segments）。特征融合前需要用Optical flow（FlowNet-S）来对齐。 
目前使用的是fixed segment length，联想Deep Alternative Neural Network使用的自适应视频分段方法。

Detect to Track and Track to Detect 

思考：track是不是可以代替印象网络中的光流来自动做对齐？

Mobile Video Object Detection with Temporally-Aware Feature Maps 
 
哈哈，看来帧间特征的关联就是光流，TSN，印象机制，RNN，3d conv这几种常见办法了。 
注意这里用的是卷积LSTM！且改进成了高效的Bottleneck-LSTM： 

Spatial-Temporal Memory Networks for Video Object Detection 
也是为了通过简单的帧来加强质量差的帧： 

记忆机制（是不是和印象机制差不多？）： 

STMM是ConvGRU的改进，以更好地利用ImageNet预训练权重。 
使用更高效的MatchTrans module来对齐帧间的特征（而不是光流。可以看出最近的文章思路都很像==），大概是基于近邻的思路。 
动作分类中记忆机制会不会比TSN好，是否需要做对齐？

Towards High Performance Video Object Detection 

路子和印象机制那篇很像，也是稀疏的特征传递，用flow对齐。好像方法更精致一些（虽然论文好像上传的很仓促，是因为最近太多类似工作上传了吗？）？比如对key frame进行了自适应？、

参考：

【1】https://blog.csdn.net/wayne2019/article/category/7077174