论文地址：Large-scale Video Classification with Convolutional Neural Networks
DeepVideo：使用深度学习处理视频理解的最早期工作之一
Abstract
把卷积网络应用到视频分类上
Model
- Single Frame：就是一个图片任务，通过神经网络，2层FC得到结果
- Late Fusion：网络输出层做结合，特征权值共享最终结合
- Early Fusion：在输入层面融合，五个帧合起来
- Slow Fusion：抽出开始的特征后慢慢合并，再做卷积操作合并特征
但实际上以上效果差别不大，而且即使在100万个视频上做预训练之后，在UCF-101那个小数据上做迁移的时候还比不上手工特征，所以作者开始尝试下面这条路
既然2D卷积网络学时序特征很难，不好学，那就先不学了，把图像那边一些好用的trick拿过来看看是否也能工作得很好，也就是多分辨率卷积神经网络，原图+抠出来的图，两个网络权值共享
Experiment
有提升但还是比较小，Early Fusion确实太Early了，效果还不如baseline，Late Fusion一样也不咋地
换到UCF-101数据集最好的变体效果也一般65.4%，手工方法都已经87%了
