ImageNetでの事前学習によって得られる画像表現をConvNets（畳み込みニューラルネットワーク）で学習することは、物体検出、セマンティックセグメンテーション、画像キャプショニングなどの多くの視覚理解タスクにおいて有用であることが証明されています。画像表現はビデオフレームに適用できますが、動きのパターンを外観ベースのモデルだけでは捉えられないため、専用の時空表現は依然として重要です。本論文では、時空特徴学習のための経験的なConvNetアーキテクチャ探索を行い、深層3次元(3D)残差ConvNet（Residual ConvNet）を開発しました。提案したアーキテクチャは、Sports-1M、UCF101、HMDB51、THUMOS14、ASLANにおいてC3Dを大幅に上回り、推論時間では2倍速く、モデルサイズでは2倍小さく、よりコンパクトな表現を持っています。