摘要

深度卷积网络在静态图像的视觉识别任务中取得了巨大成功。然而，在视频动作识别任务中，其相对于传统方法的优势并不十分明显。本文旨在探索设计高效卷积神经网络（ConvNet）架构以实现视频动作识别的基本原理，并在训练样本有限的情况下学习此类模型。我们的首个贡献是提出一种名为时序片段网络（Temporal Segment Network, TSN）的新框架，用于基于视频的动作识别。该框架基于长时程时间结构建模的思想，结合稀疏的时间采样策略与视频级监督机制，从而能够高效且有效地利用完整的动作视频进行学习。另一项贡献是借助TSN框架，对在视频数据上训练ConvNet的一系列良好实践进行了系统研究。所提出的方法在HMDB51（69.4%）和UCF101（94.2%）两个数据集上均取得了当时最先进的性能表现。此外，我们还对学习到的ConvNet模型进行了可视化分析，定性地验证了时序片段网络及所提出良好实践的有效性。