作者的观点：
若在足够大的视频动作识别数据集上训练（Kinetics），是否能提升模型在其他数据集（HMDB-51,UCF-101）上的表现呢？
论文核心内容：
- 对于不同模型，这种方法（见观点）提升性能程度相差很大，于是提出 Two-Stream Inflated 3D ConvNet ( I3D ) 模型
- 实验分析，现有最好的动作识别方法在数据集Kinetics上的表现，其次是在对Kinetics进行预训练之后，对较小的基准数据集的性能有多大提高。
- I3D模型之所以会有如此好的表现，是因为该模型具有很高的时间分辨率。即输入的训练帧数多。（它们以每秒25帧的速度训练64帧视频片段，并在测试时处理所有视频帧，这使得它们可以捕获细粒度的时间动作结构。）
论文主要贡献：
- 提出一种新模型I3D，基于2D卷积网络的增强版。
- 在视频动作识别数据集上训练（Kinetics），获得的网络可以提升模型在其他数据集（HMDB-51,UCF-101）上的表现。
展望/待解决问题：
- 对于其他视频任务（例如语义视频分割，视频对象检测或光流计算）使用Kinetics预训练是否有益仍有待观察。【研究点！！！】
- 作为未来的工作，我们计划使用Kinetics而不是miniKinetics重复所有实验，使用和不使用ImageNet预训练，并探索inflat其他的2D ConvNets
1.Introduction
I3D：以最新的图片分类模型为基础结构，将kernels膨胀(inflate)结合到3D Conv。基于2D卷积网络的增强版。将非常深图片的卷积分类的卷积核与池化核扩展为3D，使得可以从视频中学习无缝的时空特征提取器，同时利用成功的ImageNet架构设计甚至其参数。
2 Action Classification Architectures
2.2 The Old II: 3D ConvNets
在这篇文章中，作者提出一种C3D的变体，它包括8个卷积层，5个池化层和两个全连接层。输入是从视频中截取的大小为112*112共16帧的片段。使用批正则化(batch normalization)的方法。不同于C3D，该方法在第一个池化层使用的temporal strde为2而不是1，这种改进减少内存占用并允许更大批量。
2.3. The Old III: Two-Stream Networks
I3D模型也参考了Two-Stream，还结合了 Inception-V1，网络的输入为相隔10帧的5个连续RGB帧，以及相应的光流片段。在Inception-V1的最后一个平均合并层（5×7×7特征网格，对应于时间，x和y维度）之前的空间和运动特征通过具有512个输出通道的3×3×3 3D卷积层， 然后是3×3×3 3D最大池层并通过最终的完全连接层。
2.4 The New : Two-Stream Inflated 3D ConvNet
3D ConvNets能直接从RGB流中学习时域信息模式，当再加上输入光流，这个性能将进一步提升。
Inflating 2D ConvNets into 3D
简单的将成功的2D分类器扩展为3D卷积。卷积层(N*N)和池化层(N*N)都增加一个时间维度(N*N*N)。
Bootstrapping 3D filters from 2D Filters
3D卷积核的参数可以通过ImageNet模型学习，通过将ImageNet上的2D图片重复叠加成一个连续的视频。
Pacing receptive field growth in space, time and network depth
这个boring video fixed-point使得调整网络变得相当灵活，可以根据时间维度膨胀池化层操作，也可以设置卷积层或池化层的temporal stride。
Two 3D Streams
虽然I3D网络能直接从RGB输入中学习运动特征，但它始终只是执行前馈计算，而光流算法在某种意义上是周期性的计算。所以实验设计，分别在RGB和光流两种输入上训练I3D，最后作平均再预测。
2.5 Implementation Details
除了C3D模型之外，所有模型都使用ImageNet预训练Inception-V1的到基础网络。除了最后一层卷积层外（需计算出全连接层得到分类结果），在模型中的其它卷积层后，紧跟着batch normalization（批处理）和 ReLU激活函数。
3.The Kinetics Human Action Video Dateset
大致介绍Kinetics数据集，本文并没有使用完整的Kinetics进行训练。而是使用其中数据集的小一部分(miniKinetics)。
4.Experimental Comparison of Architectures
实验比较第二部分中的几种结构在不同数据集下的表现。
实验得到几个很有价值的信息：
- 在ImageNet上进行模型预训练，同样会对3D ConvNets有帮助。（在别的视频处理应用中，能否用得上？？）
- 实际探究Kinetics数据集发现，其中视频具有更多的摄像机运动，这可能Flow的工作更加困难。所以在miniKinetics上的Flow精度低于RGB精度。
从上图可看出，I3D模型比其他模型在对Flow输入处理时更有优势。（可能是I3D有longer temporal receptive 和更集成的时间特征提取机制）
作者认为，RGB流具有更多的辨别力，相反却很难用自己的眼睛从Flow流（Kinetics数据集）中辨别视频中的动作。这也许是未来研究的一个方向——整合某种形式的运动稳定到这些架构中。
5． Experimental Evaluation of Features
这部分主要内容是，研究Kenetics上训练的网络的泛化能力。
文中设计了两种方法：
（这两种方法的网络都在Kenetics上预训练）
- 通过固定网络的权重，使用网络模型处理UCF-101/HMDB-51数据集，得到结果①。接下来使用UCF-101/HMDB-51的训练集训练网络模型的multi-way soft-max 分类器，然后在测试集上验证。
- 用UCF-101/HMDB-51 微调网络，然后在测试集上评估性能。
以上模型中，除了3D-ConvNet之外，都是基于Inception-v1模块，而且在ImageNet上预训练。
Original：在当前数据上训练，再进行验证。
Full-FT:在miniKinetics上预训练，再在各自处理的数据集上微调。
在mini-Kenetics（固定）预训练后训练模型的最后几层也比直接训练UCF-101和HMDB-51的I3D模型具有更好的性能。
5.1 Comparison with the State-of-the-Art
在UCF-101和HMDB-51上，比较I3D与现有最好的模型的性能，
6.Discussion
本文证明在视频处理方面也能像图片处理一样，进行迁移学习。即在更大的数据集(Kenetics)上预训练，然后提高网络在其他数据集(UFC-101/HMDB-51)上识别性能。对于其他视频任务（例如语义视频分割，视频对象检测或光流计算）使用Kinetics预训练是否有益仍有待观察。【研究点！！！】
作为未来的工作，我们计划使用Kinetics而不是miniKinetics重复所有实验，使用和不使用ImageNet预训练，并探索膨胀其他状态的2D ConvNets
【论文笔记下载地址】
链接: https://pan.baidu.com/s/1sU4lr8mjCCh2llR263_YgQ
提取码: 64mq
