論文：Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset

期刊：CVPR2017

papar:https://arxiv.org/pdf/1705.07750v1.pdf

相關工作：

相關工作就是下面這個圖

文章兩個重大貢獻：1 提出了kinetics資料集。2 提出了雙流3D卷積模型

3D ConvNet

模型細節：是原論文中C3D的變種。8層卷積、5層pooling、2層全連線。與C3D的區別在於這裡的卷積和全連線層後面加BN；且在第一個pooling層使用stride=2，這樣使得batch_size可以更大。輸入是16幀，每幀112*112。

Two-Stream Networks

LSTM缺點：能model高層變化卻不能捕捉低層運動(因為在低層，每個幀都是獨立地被CNN提取特徵)，有些低層運動可能是重要的；訓練很昂貴
Two-Stream Networks: 將單獨的一張RGB圖片和一疊計算得到的光流幀分別送入在ImageNet上預訓練的ConvNet中，再把兩個通道的score取平均

New*: Two-Stream Inflated 3D ConvNets

Implementation Details

模型：

實驗結果，可以看到I3D的準確率提高了許多：

參考文章：

https://blog.csdn.net/paranoid_cnn/article/details/77933316

https://blog.csdn.net/Gavinmiaoc/article/details/81208997

https://blog.csdn.net/zzmshuai/article/details/84936338