论文地址：Learning Spatiotemporal Features with 3D Convolutional Networks
抽取光流的方法不适合实时处理，因为每换一个数据集，就要重新处理光流，而且抽取光流时间还很长，此外在做推理的时候也需要抽取光流，这就导致了实时性非常差。如果有方法可以不单独对时间信息进行建模，直接从数据中学习到时序信息那自然是更好的了
C3D：3D网络抽特征
Abstract
用了一个更深的3D卷积网络在一个更大的数据集（sports 1M）上，设计比较简单直观
Model
相当于把VGG网络里面每一个block减少了一层conv，再把所有的conv kernel从3x3变成3x3x3
作者每次都从最后4096里面抽取特征，拿出来训练一个SVM分类器去做分类任务，效果快又好
Experiment
从头到尾都是在做时空学习的操作，所以作者认为3D网络比2D网络更适合视频理解的任务
UCF101数据集上表现和其他工作比一般，ensemble起来都还是并不突出。但这篇工作训练时间很长，在facebook都得训练一个月，所以这种工作fine-tune是不友好的，最好还是抽特征，所以作者提供了python还有matlab接口，给一个视频然后返回一个4096的特征去做其他下游任务
