一年多前写过一篇关于DeepMind的关系网络(relation network)的回答（周博磊：如何评价 DeepMind 新提出的关系网络（Relation Network）？），最近的一篇ECCV我把这个关系结构扩展到时域，用于视频行为识别取得了不错的效果。大致想法是通过利用网络在时间域上面估计帧与帧之间的关系，模型本身非常简单，在something-something dataset v2上也取得了SOTA。熟悉我研究工作的朋友应该知道我自己喜欢简洁有效的方法。昨天为即将举办的ECCV录了个demo视频，发现在长视频的预测上效果也蛮好，跟大家分享一下，如下，视频下方是模型的预测结果：
感兴趣的同学可以看下面论文和代码（特别鸣谢TSN作者的代码库）。
论文：https://arxiv.org/pdf/1711.08496.pdf
值得一提，这篇论文是我PhD期间的最后一个工作，发表过程也曲折。投稿CVPR‘18时因为被二作坑而高分被拒（原因是二作美国小哥没经验，在我们为补充材料准备的demo video开头直接插入了我们作者名字，我也没注意到就提交了，最后PC直接以违反double blind policy锯掉。。）后来转头ECCV‘18中了。周六将参加ECCV，朋友们慕尼黑聚起来，也许这也是我最后一次自己来讲海报了，完结：）。
