视频行为识别论文阅读[3]

[3]Deep Local Video Feature for Action Recognition[CVPR2017]

这篇文章是TSN网络的一种改进，其首先使用TSN提取局部特征，并探索了从网络的那一层提取特征比较合适，实验结果表明在最后一个卷积层提取特征具有更好的效果，作者认为有三个原因：（1）卷积层相对于全连接层有更少的参数，具有更少的过拟合风险（2）全连接层没有保存空间信息（3）后期的卷积层解码了更多的全局（空间）信息。
第二部分网络作者探索了集中不同的融合策略，例如，Mean，Max、Mean_std、BoW、FV、VLAD等方法，最终选择的是Max作为融合策略。相对于原始算法，大约具有1.3%的提升。

[4]Temporal Relational Reasoning in Videos[2017]

这篇文章给出了一种观点：认为人具有推理功能（即给出不连续的两帧图片，人能够猜测出中间发生了什么），而UCF101、SPort1M、THUMOS数据集以及依靠这些数据集的双流法和I3D等并不具备这种推理功能。这些数据集仅仅动作具有重复性，对时间的依赖性比较低。因此，作者使用了Something-Something，Jester，Charades三种数据集，首先确定固定的帧长度，然后对间隔采集两帧，间隔采样三帧，五帧进行训练测试，最后进行平均。