AbstractWe propose a simple, yet ef

Abstract
We propose a simple, yet effective approach for spatiotemporal feature learning using deep 3-dimensional convolutional networks (3D ConvNets) trained on a large scale supervised video dataset. Our findings are three-fold:
1)3D ConvNets are more suitable for spatiotemporal feature learning compared to 2D ConvNets;
2) A homogeneous architecture with small 3  3  3 convolution kernels in all layers is among the best performing architectures for 3D ConvNets;
and 3) Our learned features, namely C3D (Convolutional 3D), with a simple linear classifier outperform state-of-the-art methods on 4 different benchmarks and are comparable with current best methods on the other 2 benchmarks.
In addition, the features are compact: achieving 52:8% accuracy on UCF101 dataset with only 10 dimensions and also very efficient to compute due to the fast inference of ConvNets. Finally, they are conceptually very simple and easy to train and use.

Kết quả (Việt) 1:

Tóm tắtChúng tôi đề xuất một cách tiếp cận đơn giản, nhưng hiệu quả cho việc học tập spatiotemporal tính năng sử dụng mạng lưới xoắn sâu 3-chiều (3D ConvNets) được đào tạo về một tập dữ liệu video giám sát quy mô lớn. Những phát hiện của chúng tôi là three-fold:1) 3D ConvNets là phù hợp hơn cho việc học tập spatiotemporal tính năng so với 2D ConvNets; 2) là một kiến trúc đồng nhất với nhỏ 3 3 3 convolution hạt nhân trong tất cả các lớp là một trong số tốt nhất thực hiện kiến trúc 3D ConvNets; và 3) chúng tôi đã học được các tính năng, cụ thể là C3D (mã 3D), với một loại tuyến tính đơn giản tốt hơn nhà nước-of-the-nghệ thuật các phương pháp trên 4 tiêu chuẩn khác nhau và được so sánh với phương pháp tốt nhất hiện nay trên 2 tiêu chí chuẩn.Ngoài ra, các tính năng được nhỏ gọn: để đạt được độ chính xác % 52:8 trên UCF101 bộ dữ liệu với kích thước chỉ có 10 và cũng rất hiệu quả để tính toán do suy luận nhanh của ConvNets. Cuối cùng, họ là khái niệm rất đơn giản và dễ dàng để đào tạo và sử dụng.

Kết quả (Việt) 2:

Tóm tắt
Chúng tôi đề xuất một cách tiếp cận nhưng hiệu quả đơn giản cho tính năng spatiotemporal học sử dụng các mạng xoắn 3 chiều sâu (3D ConvNets) đào tạo trên quy mô lớn tập dữ liệu hình giám sát. Những phát hiện của chúng tôi là ba lần:
1) ConvNets 3D được phù hợp hơn cho tính năng spatiotemporal học tập so với ConvNets 2D;
2) Một kiến trúc đồng nhất với nhỏ 3? 3? 3 nhân chập trong tất cả các lớp là một trong những kiến trúc thực hiện tốt nhất cho ConvNets 3D;
và 3) các tính năng học của chúng tôi, cụ thể là C3D (Convolutional 3D), với một bộ phân tuyến tính đơn giản nhà nước-of-the-nghệ thuật các phương pháp làm tốt hơn trên 4 tiêu chuẩn khác nhau và có . so sánh với các phương pháp tốt nhất hiện nay trên 2 tiêu chuẩn khác
Ngoài ra, các tính năng này là nhỏ gọn: đạt 52: 8% độ chính xác trên UCF101 bộ dữ liệu với chỉ 10 chiều và cũng rất hiệu quả để tính do sự suy luận nhanh ConvNets. Cuối cùng, họ là những khái niệm rất đơn giản và dễ dàng để đào tạo và sử dụng.