摘要
当前视频理解领域的最先进技术存在两个问题：(1) 视频中的大部分推理是在局部进行的，因此错过了跨越数秒的动作之间的关键关系。(2) 尽管有一些局部方法可以快速处理每一帧，但整个视频的处理效率不高，阻碍了快速视频检索或长时间活动的在线分类。在本文中，我们介绍了一种网络架构，该架构不仅考虑了长期内容，还同时实现了每段视频的快速处理。这种架构基于在网络内部合并长期内容，而不是事后融合。结合一种利用相邻帧之间高度冗余性的采样策略，这种方法能够在每秒处理多达230段视频时提供高质量的动作分类和视频字幕生成，而每段视频可能包含几百帧。该方法在所有数据集上均达到了具有竞争力的性能，同时比现有最先进方法快10到80倍。