论文阅读：Learnable pooling with Context Gating for video classification

这篇论文是关于视频分类的。
2016年在比赛中获得冠军，2017年v1，2018年v2

视频分类背景

1. 从视频中提取强有力的特征：从视频中提取出能更好的描述视频的时空（spatio-temporal）特征，特征越强，模型分类识别的效果越好。

2. 特征的编码和融合方法：包括空域（spatio）特征和时域（temporal）特征两方面，在空域，需要编码和融合多种空域特征；在时域，由于一些动作通过单帧的图像无法判断，只能通过时序上的变化进行判断，需要将时序上的特征进行编码和融合，获得对视频的整体描述；在时空域上，需要将空域和时域特征综合利用融合，以获得更好的效果。

3. 高效的算法： 需要考虑模型的大小、训练时间和识别的速度等因素，算法越高效越有可能应用到实际场景中。

本文

主要工作：
1、two-stream architecture aggregating audio and visual features
2、clustering-based aggregation layers
3、a learnable non-linear unit, named Context Gating,aiming to model interdependencies among network activations

流程：