Learning Spatiotemporal Features with 3D Convolutional Networks ICCV 2015
http://vlg.cs.dartmouth.edu/c3d/
https://github.com/facebook/C3D
本文使用 3D CNN 来分析视频序列，学习到的时空特征称之为 C3D，主要寻找3D CNN 中的最优3D滤波器结构
视频数据的分析是一个很重要的工作，但是也是一个难题。
一个有效的 video descriptor，我们认为需要满足一下四点：1） generic, 2）compact, 3）simple， 4）efficient。
我们的 C3D是多才多艺的：
3 Learning Features with 3D ConvNets
3.1. 3D convolution and pooling
我们相信 3D CNN 网络适合于时空特征的学习，和 2D CNN 网络相比，3D ConvNet 通过3D 卷积和 3D 池化 可以对时间信息进行建模。
我们的思路是先在一个小的数据库上寻找一个最优的 3D ConvNet 网络结构，然后再在一个大的数据库上进行验证。
Because training deep net-works on large-scale video datasets is very time-consuming, we first experiment with UCF101, a medium-scale dataset, to search for the best architecture.
Common network settings： 我们的网络输入是一个小段视频，输出是 101 different actions
网络结构的一些设定， 将 UCF101 图像的尺寸归一化到 128 × 171，Videos are split into non-overlapped 16-frame clips which are then used as input to the networks. 输入尺寸是 3 × 16 × 128 × 171，我们也会裁剪一些作为输入， 尺寸为3 × 16 × 112 × 112，网络有5个卷积和 5个池化， 2 fully-connected layers and
a softmax loss layer to predict action labels。 卷积层中的滤波器个数分别为 64, 128, 256, 256, 256，所有卷积滤波器的 kernal 是 3 × 3 × d， 这个d is the kernel temporal depth
According to the findings in 2D ConvNet [37], small receptive fields of 3 × 3 convolution kernels with deeper architectures yield best results. Hence, for our architecture search study we fix the spatial receptive field to 3 × 3 and vary only the temporal depth of the 3D convolution kernels.
Varying network architectures:
实验结果发现 d=3 是最优的
3.3. Spatiotemporal feature learning
有了最优的 卷积核，下面我们设计一个好点的网络，这个受硬件性能的制约
我们用这个网络提到的特征称之为 C3D
DeepVideo and C3D use short clips while Convolution pooling [29] uses much longer clips.
Scene recognition accuracy
C3D is much faster than real-time, processing at 313 fps