通过构造了对称的3×3×3卷积核来利用3D卷积学习时空特征，计算效率高。
论文地址：http://vlg.cs.dartmouth.edu/c3d/c3d_video.pdf
1. 摘要
本文提出了一种简单而有效的时空特征学习方法，使用在大规模有监督视频数据集上训练的3D 卷积网络。本文的发现有三个方面：
1）与2D ConvNets相比，3D ConvNets更适合于时空特征学习；
2）一个在所有层都有3 × 3 × 3卷积核的同质结构是3D ConvNets的最佳性能结构；
3）使用3D卷积学习到的特征，使用简单的线性分类器在4个不同的基准上均优于最新的方法。
此外，它的特点是基于3D卷积的快速推理，计算效率非常高。而且在概念上非常简单，易于训练和使用。
2. 相关工作
2.1 传统行为识别
Laptev和Lindeberg通过将Harris角点检测器扩展到3D，提出了时空兴趣点（STIPs），SIFT和HOG也扩展到SIFT-3D和HOG3D用于动作识别。Dollar等人提出了用于行为识别的长方体特征。萨达南德和科尔索建立了行为识别数据库。最近，王等人提出了改进的密集轨道（iDT）这是目前最先进的手工制作特征。iDT描述符显示了时间信号可以不同于空间信号的处理方式。它不是将Harris角点检测器扩展到3D，而是从视频帧中密集采样的特征点开始，利用光流对其进行跟踪。对于每个跟踪器，沿轨迹提取不同的手工特征。尽管该方法具有良好的性能，但计算量大，在大规模数据集上难以实现。
2.2 卷积神经网络用于行为识别
Le等人使用叠加ISA来学习视频的时空特征。虽然该方法在动作识别方面取得了很好的效果，但在训练上仍存在计算量大、在大数据集上难以扩展的问题。3D ConvNets被提出用于人类行为识别和医学图像分割。三维卷积还与受限的玻尔兹曼机一起用于学习时空特征。最近，Karpathy等人在大型视频数据集上训练深度网络，用于视频分类。Simonyan和Zisserman使用了双流网络来实现动作识别并获得了最佳结果。
在这些方法中，[3d convolutional neural networks for human action recognition.]中的3D ConvNets方法与本文的关系最为密切。该方法利用人体检测器和头部跟踪技术对视频中的人体进行分割。将分割后的视频帧作为3D ConvNet的输入从而对动作进行分类。相比之下，本文的方法以完整的视频帧作为输入，不依赖任何预处理，因此很容易扩展到大型数据集。 西蒙尼和齐瑟曼使用全部的帧训练ConvNet。然而，这些方法建立在仅使用2D卷积和2D池化操作的基础上（除了[Large-scale video classification with convolutional neural networks]中的慢融合模型），而本文的模型执行3D卷积和3D池化，在网络中的所有层传播时间信息。另外，本文还表明，逐步汇集空间和时间信息并构建更深入的网络可以获得最佳结果。
3. 本文方法
3.1 2D和3D卷积对比
a） 对图像应用二维卷积可生成图像。b） 在视频序列上应用二维卷积（多帧作为多个通道）也会产生图像。c） 在一个视频序列上应用3D卷积会产生另一个序列，从而保留输入信号的时间信息。
三维卷积网络非常适合时空特征学习。与2D-ConvNet相比，3D-ConvNet具有更好的时间信息建模能力，这得益于3D卷积和3D池化操作。在3D ConvNets中，卷积和池化操作是在时空上执行的，而在2D ConvNets中，卷积和池化操作只是在空间上执行的（如上图）。而2D ConvNets在每次卷积运算后都会丢失输入信号的时间信息。只有3D卷积才能保留产生输出时间信息。同样的3D池化操作也是如此。
根据2D ConvNets的研究结果，3 × 3卷积核的小感受野和较深的结构产生了最好的结果。因此本文将空间感受野固定为3 × 3，并且仅改变3D卷积核的时间深度。
3.2 网络结构
8个卷积层，5个池化层，2个全连接层，1个softmax输出层。所有卷积核均为3×3×3。第一个pooling层1×2×2，Stride=1×2×2，之后都是2×2×2，stride=2×2×2。两个全连接层都是4096。
注：为简单起见，假设视频序列大小为c × l × h × w，其中c是频道数，l是帧的长度，h和w分别是帧的高度和宽度。三维卷积和池化的核大小为d × k × k，其中d是核的时间深度，k是核的空间大小。
公共网络设置：该网络以视频片段为输入，对101个不同动作的类标签进行预测。所有视频帧的大小都调整为128 × 171。这大约是UCF101中视频帧的一半分辨率。视频被分成不重叠的16帧序列，然后作为网络的输入。输入尺寸为3 × 16 × 128 × 171。在训练中，还使用了大小为3 × 16 × 112 × 112的输入剪辑的随机裁剪来进行抖动。该网络有5个卷积层和5个池化层（每个卷积层后面紧跟着一个池化层）、2个全连接层和一个预测动作标签的softmax loss层。从1到5的5个卷积层的滤波器数目分别为64、128、256、256、256。所有卷积核都有d的大小，其中d是内核时间深度（后面将改变这些层的d值以搜索良好的3D架构）。
所有这些卷积层都采用适当的填充（空间和时间）和步长为1，因此从这些卷积层的输入到输出的大小没有变化。所有池化层都是最大池化，内核大小为2 × 2 × 2（第一层除外），padding为1，这意味着输出信号的大小比输入信号减小了8倍。第一池层的核大小为1 × 2 × 2，目的是不过早地合并时间信号，并且满足16帧的剪辑长度。
3.3 探索时间核长度（d）
**本文主要关注如何通过深度网络聚合时间信息。**为了寻找一个好的3D ConvNet架构，作者只改变卷积层的内核时间深度di，同时保持所有其他公共设置不变。
作者实验了两种类型的体系结构：
1）同质时间深度：所有卷积层具有相同的核时间深度；
2）可变时间深度：核时间深度跨层变化。
作者注意到，所有这些网络在最后一个池化层具有相同大小的输出信号，因此它们对于全连接层具有相同数量的参数。
由于核的时间深度不同，卷积层的参数个数也不同。与全连接层中的数百万个参数相比，这些差异非常微小。
在UCF101上测试不同核时间深度设置下split-1的动作识别剪辑精度。2D-ConvNet性能最差，3D-ConvNet的3×3×3核性能最好。
3.4 时间空间特征的学习
使用的数据集是UCF101，采用简单的分类模型—简单线性SVM。同时试验了3个不同的网络和基准进行比较。
结果如表所示。中间部分是只使用RGB的，下面则是所有当前最好的行为识别方法。结果表明，C3D不仅有最高的精度，而且能很好地提取外部特征与时间特征。另一方面，C3D同IDT的结合是十分互补的。IDT是主要基于光流追踪与低梯度的直方图特征，而C3D则捕捉了高度抽象综合的信息。
使用t-SNE在UCF101数据集上嵌入Imagenet和C3D的可视化特征。与Imagenet相比，C3D特征在语义上是可分离的，这表明它可以产生一个更好的视频特征。每个剪辑都可视为一个点，属于同一动作的剪辑具有相同的颜色。
4. 实验结果
4.1 动作相似性标注
4.2 场景与目标识别
4.3 运行时分析
