一、传统视频分类方法
深度学习兴起前，大多数视频分类都是基于手工设计的特征和典型的机器学习方法。
比如：基于局部时空域的运动信息和表现信息，利用词袋模型等方式审核才能视频编码，然后利用视频编码来训练分类器（SVM）。这种基于人工设计特征的方法，如HOG、HOF、MBH 等特征，在经过词袋模型或Fisher向量生成视频编码。
目前，基于轨迹的方法，DT 和 IDT 方法，是人工设计的特征中最好的方法之一。
随着深度学习发展，基于人工设计特征的方法渐渐淡出人们的视野。
二、基于深度学习的视频分类方法
近年来，CNN在图像识别，分割、检测和检索方面都取得了最高水平的效果。视频中包含成百上千的图像，但并不是每一张都必须用到，这将会耗费大量的时间和计算资源，一般做法是用CNN识别每个图像帧，最终的结果通过所有的分类结果来确定。
1、基于监督学习的方法：
1）通过在Image-Net 中预训练的model，将所有帧的特征合起来作为视频特征，最后通过标准分类器进行分类。
2）端到端CNN：利用CNN学习视频中隐含的时空信息，如3D CNN ,Two-stream CNN, TSN 等。
3）Two-stream 方法只能获得短时间的行为特征，因此引入RNN来建模长期过程，常用的由LSTM、GRU-RNN等。
4）视频中包含大量的图像帧，处理所有图像成本很大，因此，引入注意力机制来识别与最终语义最相关的特征就好。
2、非监督学习习方法：
采用非监督的方法，去将时间空间的上下文信息进行整合，也是一种常用的方法。
三、数据
数据量对图像分类的问题具有至关重要的影响，例如在ImageNet上的图像分类的问题，近年来，为了推动视频分类的发展，也出现了不少的视频类别标注的数据集。有代表性的如：YouTube-8M ，ActicityNet (2015)，UCF-101等。
目前视频分类的趋势，正在朝向通用的多标签视频分类方向发展。
UCF101上，TLE方法准确率已经达到95.6%
四、总结：
数据标注成本十分昂贵，而基于深度学习的方法往往需要大量的数，所以，如何利用未标注的数据去建立更好的模型，也是一个值得思考的问题。
参考文章：《基于视觉的视频分类入门》
