版权声明：添加我的微信wlagooble，开启一段不一样的旅程 https://blog.csdn.net/nineship/article/details/86155127
论文：Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset
期刊：CVPR2017
papar:https://arxiv.org/pdf/1705.07750v1.pdf
相关工作：
相关工作就是下面这个图
文章两个重大贡献：1 提出了kinetics数据集。2 提出了双流3D卷积模型
3D ConvNet
模型细节：是原论文中C3D的变种。8层卷积、5层pooling、2层全连接。与C3D的区别在于这里的卷积和全连接层后面加BN；且在第一个pooling层使用stride=2，这样使得batch_size可以更大。输入是16帧，每帧112*112。
Two-Stream Networks
LSTM缺点：能model高层变化却不能捕捉低层运动(因为在低层，每个帧都是独立地被CNN提取特征)，有些低层运动可能是重要的；训练很昂贵
Two-Stream Networks: 将单独的一张RGB图片和一叠计算得到的光流帧分别送入在ImageNet上预训练的ConvNet中，再把两个通道的score取平均
New*: Two-Stream Inflated 3D ConvNets
Implementation Details
模型：
实验结果，可以看到I3D的准确率提高了许多：
参考文章：
https://blog.csdn.net/paranoid_cnn/article/details/77933316