All of these convolution layers are

All of these convolution layers are applied with
appropriate padding (both spatial and temporal) and stride
1, thus there is no change in term of size from the input
to the output of these convolution layers. All pooling layers
are max pooling with kernel size 2  2  2 (except for
the first layer) with stride 1 which means the size of output
signal is reduced by a factor of 8 compared with the input
signal. The first pooling layer has kernel size 1  2  2
with the intention of not to merge the temporal signal too
early and also to satisfy the clip length of 16 frames (e.g.
we can temporally pool with factor 2 at most 4 times before
completely collapsing the temporal signal). The two
fully connected layers have 2048 outputs. We train the networks
from scratch using mini-batches of 30 clips, with initial
learning rate of 0:003. The learning rate is divided by
10 after every 4 epochs. The training is stopped after 16
epochs.

Kết quả (Việt) 1:

Tất cả các lớp convolution được áp dụng vớithích hợp đệm (cả không gian và thời gian) và stride1, do đó có là không có sự thay đổi trong thuật ngữ của các kích thước từ các đầu vàođể đầu ra của các lớp convolution. Tất cả các lớp poolingđược tối đa tổng hợp với kích thước hạt nhân 2 2 2 (ngoại trừ cholớp đầu tiên) với stride 1 có nghĩa là kích thước của đầu ratín hiệu là giảm bởi một nhân tố của 8 so với đầu vàotín hiệu. Lớp đầu tiên của pooling có hạt nhân cỡ 1 2 2với intention của không kết hợp các tín hiệu thời gian quásớm và cũng có thể đáp ứng độ dài clip của 16 khung hình (ví dụ:chúng ta tạm có thể bơi với yếu tố 2 tại hầu hết các lần 4 trướchoàn toàn sụp đổ các tín hiệu thời gian). Haikết nối hoàn toàn lớp có 2048 kết quả đầu ra. Chúng tôi đào tạo các mạngtừ đầu bằng cách sử dụng mini-lô 30 clip, với ban đầuhọc tỷ lệ 0:003. Tỷ lệ học tập được chia theo10 sau mỗi kỷ nguyên 4. Đào tạo là dừng lại sau khi 16kỷ nguyên.

Kết quả (Việt) 2:

Tất cả các lớp chập được áp dụng với
đệm thích hợp (cả về không gian và thời gian) và sải bước
1, do đó không có sự thay đổi trong thời hạn kích thước từ đầu vào
đến đầu ra của các lớp chập. Tất cả các lớp tổng hợp
được tối đa tổng hợp với kích thước hạt nhân 2? 2? 2 (trừ
các lớp đầu tiên) với sải chân 1 có nghĩa là kích thước của đầu ra
tín hiệu bị giảm bởi một nhân tố của 8 so với các đầu vào
tín hiệu. Các lớp tổng hợp đầu tiên có kích thước hạt nhân 1? 2? 2
với ý định không để hợp nhất các tín hiệu thời gian quá
sớm và cũng để đáp ứng độ dài clip 16 khung hình (ví dụ
, chúng tôi tạm thời có thể bơi với hệ số 2 tối đa 4 lần trước khi
hoàn toàn sụp đổ tín hiệu thời gian). Hai
lớp kết nối đầy đủ có 2048 kết quả đầu ra. Chúng tôi đào tạo các mạng
từ đầu bằng cách sử mini-lô 30 clip, với ban đầu
tỷ lệ học của 0: 003. Tỷ lệ học tập được chia bởi
10 sau mỗi 4 kỷ nguyên. Việc đào tạo được dừng lại sau 16
thời đại.