Beyond Short Snippets: Deep Networks for Video Classification

1. Introduction

      卷积神经网络在静态图像识别问题上已被证明是非常成功的，如MNIST，CIFAR和ImageNet[15,21,28]。
通过使用可训练的滤波器和特征池化操作的层次结构，CNN能够自动学习视觉对象识别任务所需的复杂特征，从而比hand-crafted特征实现卓越性能。受到这些积极成果的鼓舞，最近已经提出了几种方法将CNN应用于视频和动作分类任务[2,13,14,19]。
       视频分析通过添加时间分量来向识别任务提供更多信息。时间分量可以额外使用运动和其他信息。同时，即使处理短的视频剪辑，任务的计算要求也更高，因为每个视频可能包含数百到数千帧，不是全部帧都是有用的。（不懂）一个简单的方法是将视频帧视为静止图像，并应用CNN来识别每个帧，并在视频级别平均预测结果。然而，由于每个单独的视频帧仅构成视频故事的一小部分，所以这种方法将使用不完整的信息，因此可能容易混淆类别，特别是如果有细粒度的区分或部分视频与感兴趣的动作无关。（不懂）

      因此，我们假设，学习视频的时间演化的全局描述对准确的视频分类很重要。从建模的角度来看，这是一个挑战，因为我们必须使用固定数量的参数ÿ