CVPR2017之ActionVLAD(对特征整合方式的改进）

背景

关于视频中的行为识别，通常会出现这种识别错误的情况：即一段视频中包含若干动作，譬如打篮球的视频中包含跑、跳、扔东西等多种行为，如何能正确地识别为投篮？

当前行为识别主要有两种CNN结构：（1）第一种：3D spatio-temporal 卷积，这种方法识别准确率有待提升，优势是速度较快。（2）第二种，也就是目前常用的方法：two-stream architectures，将视频分解成图像流和动作流。

目前对长时间结构建模的方法不只是有VLAD，还有LSTM方法，但是不是端到端的训练，需要后处理，ActionVLAD可以实现对视频的端到端的训练。

上述两种方法均有一种缺陷：这些方法主要集中于片断地信息，不能宏观的把握整个video。所以我们需要一种可以表示global feature的方法。因此ActionVLAD应运而生。而该方法起源于NetVLAD，NetVLAD起源于VLAD。这个方法可以聚集aggregate feature，相当于一种新的Pooling策略。

讲述ActionVLAD之前，需要先讲解NetVLAD。

NetVLAD：

VLAD是一种新的池化方法，在事件层面的检索和图像分类方面有着重要的作用。其中，与VLAD可以相提并论的另一种方法BOF法。BOF法具体内容可以看

http://