Two-stream Convolution Networks for Action Recognition in Videos
论文链接：Two-Stream Convolutional Networks for Action Recognition in Videos
背景：
视频相比于图像而言，是一帧帧图像的集合。因此，很自然可以想到从两个维度去提取视频信息：
- 空间：单帧图像包含的信息；
- 时间：多帧图像之间包含的运动信息；
所以文章就想能否同时利用视频的空间信息与时间信息，来更好的提取视频特征，进而进行视频分类任务。
主要贡献：
（1）提出基于two-stream结构的CNN，由空间和时间两个维度的网络组成。
（2）验证了即使在较小规模的训练数据集上，在多帧稠密光流上训练的卷积神经网络可以获得非常好的性能。
（3）展示了多任务学习(multiple learning)，应用于不同的运动分类数据集，可以同时提升数据集的规模和检测性能。
UCF-101和HMDB-51两个数据集上取得state-of-the-art效果，也是深度学习进入行为识别的转折点。
网络结构图：
视频信息可以分为空间和时间两个部分：
1）空间部分：通过单帧图像表达图像中的场景和对象的信息。
2）时间部分：通过多帧来表示对象的运行信息和时序行为。
本文网络结构：
1）双流（two stream）网络结构：每个流都有一个CNN网络，其尾部接一个softmax输出概率分布值，最后对两个网络的softmax值进行融合。考虑两种融合方法：平均average和使用SVM（作者实验中SVM效果更好）。
2）空间流网络(Spatial stream ConvNet)：输入为单张RGB图像，经过一系列卷积、全连接层后接一个sofrmax输出概率分布值。
3）时间流网络（Temporal stream ConvNet）：输入为多帧图像间的光流(optical flow)，同样经过一系列卷积、全连接层后接一个sofrmax输出概率分布值。(作者实验部分对比了不同帧数光流的效果，最后取光流数L=10).
4）空间流和时间流使用的CNN网络结构基本一致，除了光流的conv2中没有使用normalization层。
网络中最后的class score fusion将两个stream的score值融合在一起，文章一共尝试了：average、SVM这两种方法，最后貌似SVM效果更佳。
光流的堆叠方式(optical flow stacking)：
1）上图（a）为第k-1帧图像，图（b）为第k帧图像。图（c）为两帧之间蓝色框中的光流信息。
而图（d）为光流的水平方向分量dx，图（e）为光流的垂直方向分量dy（较高强度对应正值，较低强度对应负值）。
2）对于空间尺寸为W×H，时序长度为L帧的视频片段。每个帧间光流会有水平方向分量dx和垂直方向分量dy。将L帧中的dx和dy堆叠起来就得到长度为2L的channel，则光流网络的输入就为W×H×2L。
PS：作者文章中还讨论了另外一种形式----》轨迹堆叠(Trajectory stacking)，这种方式，就是从第1到L帧中，轨迹是一个连续的过程（作者最后没有使用这种方式，所以这里也就不细讲了），如图：
实验：
对比光流中不同帧数的效果：
L=1时效果相对较差，L=5时效果提升较大，L=10时相较于L=5的提升已经不太大了，本文中L取10.
对比两个流网络的融合方式：
实验结果表明：SVM的方法更好。
结果部分：
具体细节没什么好讲的了，2014年提出的方法，打败了传统方法中最好的IDT，也开启了双流网络的处理思路。
总结：
本文出自2014年，在此之前传统方法效果最好的为IDT。本文最大的贡献就是提出了two stream的结构，然后实验验证双流在小数据集中训练的也能取得不错的效果，另外训练时在两个不同的数据集分别采用了两个softmax进行训练，最后貌似对这两个softmax值取了平均，所谓的多任务识别（这个在现在貌似不太必要细说了）。