[2]Temporal Segment Networks: Towards Good Practices for Deep Action Recognition[2016]（TSN网络）
概括：
为了解决长序列的视频行为识别问题，将长序列切分成短序列并从中随机选择部分，作为双流网络的输入，采用多个这样的双流网络，最后将各个子网络的得分值进行均值融合得到最终结果。
#####介绍：
(1)对于长序列的学习能力在理解视频行为上具有重要意义，但是主流的双流法和C3D通常只是聚焦于表面或者是短时间序列的学习（C3D的输入是连续的16帧，而双流法是依靠前后两帧计算出来的光流）。Long-term temporal convolutions for action recognition.[2016]、Beyond short snippets: Deep networks for video classification.[CVPR2015]、Long-term recurrent convolutional networks for visual recognition and description[CVPR2015]等文章通过预定义的采样间隔进行稠密时序采样解决这种问题，但是却增大了计算量。
(2)卷积神经网络训练需要大量的数据，否则容易过拟合，公开数据集UCF101和HMDB51在尺寸和多样性上不足。在图像识别中非常深的网络，例如Very deep convolutional networks for large-scale image recognition. [[ICLR2015]和Batch normalization: Accelerating deep network training by reducing internal covariate shift.[ICMl2015]，在视频行为识别中可能存在较高的过拟合风险。
(3)连续视频帧具有高度冗余性（相邻动作间的相似性极大）。TSN在长的视频序列上均匀的抽取短的序列，然后在聚合这些信息，这样TSN能够模拟长的视频。
(4)为了释放该网络的潜力，使用了非常深的网络Batch normalization: Accelerating deep network training by reducing internal covariate shift.[ICMl2015]和Very deep convolutional networks for large-scale image recognition. [[ICLR2015]，探索了一些方法去使用少量的样本就可以进行训练。例如：数据增强、 跨模态预训练、 正则化。
You lead, we exceed: Labor-free video concept learning by jointly exploiting web videos and images. In: CVPR
相关工作：
（卷积方法）除了经典的C3D和双流以外，Human action recognition using factorized spatio-temporal convolutional networks.叠加RGB差分的视频作为输入。相似的采用长视频（固定视频输入的长度在64到120，但是TSN由于稀疏采样没有这种限制）输入的有Beyond short snippets: Deep networks for video classification. In: CVPR. (2015)；Long-term temporal convolutions for action recognition. 2016；Long-term recurrent convolutional networks for visual recognition and description. In: CVPR. (2015) 。
（时序结构模型）原子时序模型（Temporal localization of actions with actoms. IEEE2013；人体骨骼模型
#####细节
一个长视频被分解成k个片段（相等间隔），从每一个片段中随机选择一帧，不同的片段得到的结果通过一致性函数产生最终结果（一个视频级别的预测，一段视频给出一个结果）
函数F表示对使用卷积网络作用于视频片段T得到一个片段各个类别的得分值
函数G表示对整个各个片段的得分值进行一致性选择，得到一致意见（最终选择的是对各个类别的得分值直接求均值）
函数H将各个类别的得分值装换成概率值（这里使用的是softmax）
下面是损失函数的设计：
没看懂，文章说是使用标准的交叉熵损失。这里G是一个得分值，不应该先转换成概率值吗？然后括号里面对其所有的类别进行exp后又进行相加？那么，这样不同的类别后面这部分就是一个常量了。
使用Batch normalization: Accelerating deep network training by reducing internal covariate shift.[ICMl2015]（BN-Inception）作为网络架构的双流法。在双流法中，空间网络输入都是RGB图像，而时序网络的输入是光流或者堆叠光流场，作者在文章中提出探索了两种额外的模式，RGB差分和扭曲光流场（wraped optical flow fields）。实验表明，扭曲光流场更加专注于移动者本身，因此采用这种输入。
测试的时候在双流融合阶段，使用加权平均的方式进行融合。
测试
四种训练模式，第一行：原始双流网络；第二行，从头开始；第三行：预训练空间流；第四行：交叉模式预训练；第五行：交叉预训练和部分BN dropout相结合。
