视频分类算法（《《Learnable pooling with Context Gating for video classification》）

一般的视频理解方法通常对一段视频的间隔帧提取特征，取它们的极大值或均值来代表整段视频的特征，这是一种很简单的视频表示方法，但是容易陷入局部最优解，论文为此探索了一种可学习的池化技巧（learnable pooling techniques），它将多个算法（比如 Soft Bag-of-words, Fisher Vectors, NetVLAD, GRU and LSTM）相结合，共同组成视频特征。论文还介绍了一种非线性网络单元Context Gating，用于对特征相关性建模。

论文通过实验证明了多方法结合的learnable pooling techniques与Context Gating的有效性。

1. Introduction

本篇论文主要有两点贡献：

1、提出了一种多方法组合共同策略的learnable pooling方法。

2、提出了一种非线性网络单元-Context Gating（CG），CG主要目的是为了捕捉分散特征的关联从而输出更精确的整体结果。

2. Related work

特征提取

过去一般采用手写特征，比较成功的有两种，一种采用局部特征，一种采用梯度特征。

现在一般采用ＣＮＮ来提取独立帧特征，或提取时空上下文信息。ＣＮＮ也可用于某一色彩通道或某运动估计通道中。

特征组合

视频特征一般由某些独立帧或者某些视频片段的特征组成，而问题的关键在于，如何组合这些零散特征为一整体表达视频特征。

一种方法是采用ＲＮＮ，比如ＬＳＴＭ或者ＧＲＵ，利用ＲＮＮ特性来更好的把握其时空上下文上的信息。

另一种方法只注意整段视频特征的分布信息，最简单的策略就是取所有特征的均值或最大值，其他较复杂的策略有bag-ofvisual-

words, Vector of Locally aggregated Descriptors　(VLAD) or Fisher Vector encoding。

3. Multi-label video classification architecture

<