1、2014.Two-stream convolutional networks for action recognition in videos
兩個流：空間流做single frame，時間流做multi-frame對稠密光流做CNN處理。兩個流分別經過softmax后做class score fusion,（平均法 or SVM）。
2、2015.Towards Good Practices for Very Deep Two-Stream ConvNets
空間流3 channel,時間流10 channel。
trick:
1.空間流在ImageNet上預訓練，時間流中的光流轉換為0-255灰度圖在ImageNet上預訓練。
2.learning rate：時間流5e-3，1W個Iteration*0.1，3W次停止。空間流1e-3,4K個Iteration*0.1，1W次停止。
3.data argmentation:由於數據集過小的原因，采用裁剪增加數據集，4個角和1個中心，還有各種尺度的裁剪。從{26,224,192,168}中選擇尺度與縱橫比進行裁剪。
4.high dropout rate
5.多GPU訓練
有PyTorch源碼
3、16年Temporal Segment Networks Towards Good Practices for Deep Action Recognition
和上一篇是同一批作者，應該是把上一篇的內容豐富了一些，但還沒有具體去看。上一篇5頁，這一篇17頁，后面再說吧。
提出兩點貢獻：
-
提出一個temporal segment network(TSN)網絡，基於視頻的動作識別網絡，結合了稀疏時間采樣策略，和大規模時間結構建模。（將視頻分成K個序列，隨機抽取一個，網絡在所有的序列上共享參數）
-
一系列優化的策略，估計跟上一篇差不太多。
4、16年Convolutional Two-Stream Network Fusion for Video Action Recognition
此論文有公開源代碼，用的是MATLAB。
5、17年Hidden Two-Stream Convolutional Networks for Action Recognition
此論文有公開源代碼，用的是Caffe。