要約
動的画像（dynamic image）という新規なコンパクトな動画表現を提案する。この手法は、特に畳み込みニューラルネットワーク（CNN）を用いた動画解析において有用である。動的画像はランクプーリング（rank pooling）の概念に基づき、動画のフレームの時系列的変化を符号化するランクマシンのパラメータから得られる。この手法では、動画の原始的な画像ピクセルに対して直接ランクプーリングを適用することで、1つの動画につき1枚のRGB画像を生成する。このアイデアは単純ながら強力であり、既存のCNNモデルを微調整（fine-tuning）を伴いながら、動画データに直接適用可能にする。さらに、ランクプーリングを大幅に高速化する効率的かつ有効な近似ランクプーリング演算子を提示する。本研究で導入した近似ランクプーリングCNN層により、動的画像を動的特徴マップ（dynamic feature maps）へと一般化できることを示した。また、動作認識の標準ベンチマークにおいて、本手法が最先端の性能を達成することを実証した。