《Beyond Short Snippets: Deep Networks for Video Classification》解读

创新点：
1、本文对两种长视频的处理方式进行了实验和比较，并在相关数据集上达到了很好的效果；
2、本文设计了5种conv方式，用于对时空信息的捕捉，并实验证明了哪种方式的最优；
3、本文用LSTMs捕捉长视频的信息；
学到的东西：
1、普遍的帧预测的方法为将视频信息看成静态图像，然后使用cnn来识别每一张照片，通过平均得到视频的分类；
2、较长帧对视频分类有好的作用，结合光流也有很好的信息；
3、3D卷积分类不好的原因有使用的帧过少的问题；
4、pooling layer 可以用于结合时间信息，如不同帧的照片，通过池化来结合，提取时空信息，通过平均池化、最大池化、时域池化、全连接代替池化，表明最大池化更好；
5、LSTM的四种模式的测试；
6、对长视频的光流处理方式：当以每秒采取一帧的情况下，光流的处理，靠[19]进行双流融合；2、先对原始图像进行训练，然后使用该参数对光流特征进行初始化训练效果更好；3、使用[26]的方法计算每秒采样1帧的情况下的光流的计算；
7、数据的处理方式：1、针对长视频，每秒采样1帧，采样多分钟；2、对于视频分钟数数目不足的，本文选择的方式是从头播放；3、图像大小处理，并通过随机反转来进行数据增强；4、groud truth使用帧平均；