时序片段网络：迈向深度动作识别的良好实践

深度卷积网络在静态图像的视觉识别中取得了巨大成功。然而，在视频中的动作识别方面，其相对于传统方法的优势并不那么明显。本文旨在发现设计有效的卷积神经网络（ConvNet）架构用于视频动作识别的原则，并在有限的训练样本下学习这些模型。我们的第一个贡献是时间片段网络（Temporal Segment Network, TSN），这是一种基于长程时间结构建模思想的新型视频动作识别框架。该框架结合了稀疏时间采样策略和视频级别的监督，从而能够在整个动作视频上实现高效且有效的学习。另一个贡献是我们对一系列良好实践的研究，这些实践有助于在视频数据上利用时间片段网络学习卷积神经网络（ConvNets）。我们的方法在HMDB51（69.4%）和UCF101（94.2%）数据集上取得了当前最佳性能。我们还对所学的卷积神经网络模型进行了可视化，定性地展示了时间片段网络及所提出的良好实践的有效性。