Delving Deeper into Convolutional Networks for Learning Video Representations

1 INTRODUCTION

       视频分析和理解是计算机视觉和机器学习研究的重大挑战。虽然以前的工作传统上依赖于 hand-crafted and task-specific representations(Wang et al.,2011;Sadanand&Corso,2012),但设计通用视频表示的兴趣越来越大，可以帮助解决视频理解中的任务，如人类行为识别，视频检索或视频字幕（Tran et al，2014）。

     二维CNN已经在诸如分类或检测的静态图像任务中展现了最先进的表现（Simonyan＆Zisserman，2014b）。然而，这样的模型丢弃了时间信息，时间信息已经显示在视频中提供重要的线索（Wang et al，2011）。另一方面，RNN已经证明了这一能力，理解诸如语音识别（Graves＆Jaitly，2014）或机器翻译（Bahdanau等，2014）等各种学习任务中的时间序列。因此，近来提出的利用循环和卷积的循环卷积网络（RCN）（​​Srivastava等，2015;