2017-Aggregating Frame-level Features for Large-Scale Video classification聚合帧级功能以进行大规模视频分类

intro: Youtube-8M Challenge, 4th place
arxiv: https://arxiv.org/abs/1707.00803

贡献：
1.根据信息最丰富的内容出现在视频中间，提出了RNN变体-双向RNN。3.1.1
2.提出的VLAD聚合方法与RNN相比计算成本较低。3.1.2
3.证明了融合多个模型总是有帮助的。

摘要
本文介绍了我们为Google Cloud和YouTube-8M视频理解挑战赛开发的系统，可以将其视为在大规模YouTube-8M数据集[1]之上定义的多标签分类问题。 我们采用大量技术来汇总提供的帧级特征表示并生成视频级预测，包括递归神经网络（RNN）和广义VLAD的几种变体。我们还采用了几种融合策略来探索模型之间的互补性。 就官方指标GAP @ 20（全球平均精度为20）而言，我们最好的融合模型在公开的50％测试数据上达到0.84198，在公开的50％测试数据上达到0.84193，在全球650个团队中排名第四 竞赛。

1.介绍

与图像不同，视频不仅包含视觉信息，还包含听觉音轨。 而且，视频中的连续帧承载着丰富的运动和时间信息，这些信息几乎不能通过CNN预测在单个帧上捕获，因为CNN并不自然地处理顺序输入。 相反，递归神经网络（RNN）设计为执行顺序建模任务。结合在一起，CNN和RNN已被证明对视频分析有效[19，21]。
没有像ImageNet [6]，FCVID [9]和ActivityNet [4]这样的大规