摘要
我们提出了一种简单而有效的方法，利用在大规模监督视频数据集上训练的深度三维卷积神经网络（3D ConvNets）进行时空特征学习。我们的研究结果有三个方面：1) 相比于二维卷积神经网络（2D ConvNets），三维卷积神经网络更适合进行时空特征学习；2) 具有所有层均使用小的3x3x3卷积核的同质架构是表现最佳的三维卷积神经网络架构之一；3) 我们学到的特征，即C3D（Convolutional 3D），结合简单的线性分类器，在四个不同的基准测试中超过了现有方法，并在另外两个基准测试中与当前最佳方法相当。此外，这些特征非常紧凑：仅用10个维度就能在UCF101数据集上达到52.8%的准确率，并且由于卷积神经网络的快速推理能力，计算效率也非常高。最后，这些特征在概念上非常简单，易于训练和使用。