Inspired by the deep learning break

Inspired by the deep learning breakthroughs in the image domain [24] where rapid progress has been made in the past few years in feature learning, various pre-trained convolutional network (ConvNet) models [16] are made available for extracting image features. These features are the activations of the network’s last few fully-connected layers which perform well on transfer learning tasks [47, 48]. However, such image based deep features are not directly suitable for
videos due to lack of motion modeling (as shown in our experiments in sections 4,5,6). In this paper we propose to learn spatio-temporal features using deep 3D ConvNet.

Kết quả (Việt) 1:

Lấy cảm hứng từ sâu học đột phá trong hình ảnh miền [24] nơi nhanh chóng tiến bộ đã được thực hiện trong vài năm qua tìm hiểu tính năng, các mô hình đào tạo trước mã mạng (ConvNet) [16] được làm sẵn để trích xuất các tính năng hình ảnh. Các tính năng là kích hoạt của mạng qua vài kết nối hoàn toàn lớp mà hoạt động tốt trên chuyển giao học tập nhiệm vụ [47, 48]. Tuy nhiên, hình ảnh dựa trên tính năng sâu sắc như vậy là không trực tiếp thích hợp chovideo do thiếu các chuyển động mô hình (như trong các thí nghiệm của chúng tôi trong phần 4,5,6). Trong bài này, chúng tôi đề xuất để tìm hiểu các tính năng nhất sử dụng sâu 3D ConvNet.

Kết quả (Việt) 2:

Lấy cảm hứng từ những bước đột phá học sâu trong lĩnh vực hình ảnh [24] nơi tiến bộ nhanh chóng đã được thực hiện trong vài năm qua trong việc học tính năng, khác nhau trước khi được đào tạo mạng chập (ConvNet) mô hình [16] được làm sẵn để trích các tính năng hình ảnh. Những tính năng này là kích hoạt của vài lớp đầy đủ kết nối cuối cùng của mạng mà thực hiện tốt các nhiệm vụ học tập chuyển [47, 48]. Tuy nhiên, hình ảnh dựa trên các tính năng sâu sắc như vậy là không trực tiếp thích hợp cho
video do thiếu mô hình chuyển động (như trong thí nghiệm của chúng tôi trong các phần 4,5,6). Trong bài báo này chúng tôi đề xuất để học tính năng của không-thời gian sử dụng sâu 3D ConvNet.