StephanPan

首先用滑窗（overlap：0.7)生成不同尺度的segment，然后固定提取16帧作为候选视频段（在原图上生成候选框，存在计算量大的问题）。整体网络分为三个部分。1）proposal networks：二分类网络，判断每个segment为前景（包含动作）还是背景。然后做正负样…

faster rcnn巧妙地利用了anchor，仿佛搭建了一个楼梯，使预测值能够通过anchor这一先验候选框，不断修正，一级一级靠近GT。此外rpn的众多筛选手段也有效地解决了正负样本不平衡的问题。 通常会使用VGGNet或者ResNet50，101，通常下采样率16. 1）…

在同一channel，不同feature map上做归一化。BN的归一化效果依赖于batch size，在大batch size的情况下有良好的性能，然而如目标检测、视频处理等任务无法满足很大的batchszie的内存要求，通常batch size很小，仅为个位数，此时BN效果…

先使用1*1的卷积降低通道数，然后用多尺度卷积进行计算（类似于inception结构），最后将两个特征图进行通道拼接。先压缩再扩展的方法应用很广，可以有效减少计算量。 SqueezeNet还使用了Deep compression技术，将参数量化，减少浮点运算，模型大小可以压缩到…

network architecture分为spatial stream 和temporal stream，分别用rgb image 和 optical flow，两个cnn的classification scores用SVM或者averaging综合得到最终分类结果。 act…