论文主要贡献:
1.验证了3D卷积神经网络能够同时捕捉外观和运动信息,是优秀的特征提取器。
2.在特定的构架内,3X3X3的卷积核在所有层中都表现出最好的效果。
3.3D卷积神经网络提取出的特征结合线性模型分类器所得到的结果在6个数据集(4个识别任务)中都有突出的性能。
好的视频特征描述应该包含如下特征:
a)具有通用性,对任意类型的视频都能够有好的描述效果。
b)特征足够紧凑,紧凑的特征有利于存储,处理和检索任务的扩展。
c)需要的计算资源要尽可能少,能够高效率提取。
d)好的特征能够使分类模型易于实现。尽管使用简单的分类器,也能够对视频进行很好的分类。
共同网络参数:
数据集:UCF101, Sports-1M
输入:3(通道)X16(帧数)X112X112(帧大小),minibatch 30.初始learning-rate:0.003,每4个epoch后将learning-rateX0.1作为新的学习率。共训练16个epoch。optimization:SGD
训练集:每个视频截取5个不同的片段,每个片段16帧,2秒
网络构架:5个卷积层(3X3X3,步长1)+5个max pool