We experimentally show 3D convoluti

We experimentally show 3D convolutional deep networks are good feature learning machines that model appearance and motion simultaneously.
We empirically find that 3  3  3 convolution kernel for all layers to work best among the limited set of explored architectures.
The proposed features with a simple linear model outperform or approach the current best methods on 4 different tasks and 6 different benchmarks (see Table 1).
They are also compact and efficient to compute.

Kết quả (Việt) 1:

Chúng tôi thử nghiệm Hiển thị 3D xoắn sâu mạng là máy tốt tính năng học tập mô hình xuất hiện và chuyển động đồng thời. Chúng tôi empirically thấy rằng 3 3 3 convolution hạt nhân cho tất cả các lớp để làm việc tốt nhất trong số các thiết lập giới hạn của khám phá kiến trúc.Các tính năng được đề xuất một mô hình tuyến tính đơn giản tốt hơn hoặc tiếp cận các phương pháp tốt nhất hiện nay trên 4 nhiệm vụ khác nhau và 6 tiêu chuẩn khác nhau (xem bảng 1).Chúng cũng là nhỏ gọn và hiệu quả để tính toán.

Kết quả (Việt) 2:

Chúng tôi thực nghiệm cho thấy mạng lưới sâu xoắn 3D là tốt tính năng máy học tập mô hình xuất hiện và chuyển động cùng một lúc.
? Chúng tôi thực nghiệm thấy rằng 3? 3? 3 chập hạt nhân cho tất cả các lớp để làm việc tốt nhất trong số các thiết lập giới hạn của kiến trúc khám phá.
? Các tính năng đề xuất với một mô hình tuyến tính làm tốt hơn đơn giản hoặc tiếp cận những phương pháp tốt nhất hiện nay trên 4 nhiệm vụ khác nhau và 6 tiêu chuẩn khác nhau (xem Bảng 1).
Họ cũng là nhỏ gọn và hiệu quả để tính toán.