1. 3D CNN
1.1. C3D16
直接将vgg扩展为3d形式，参数较多。
1.2. 3D Resnet v117
将resnet直接扩展为3d，未预训练的模型在小训练集（activitynet）上效果不好，大训练集（kinetics）上效果好。
Resnet3d与2d结构主要区别在于时间维度上的缩减要慢一些
细节：采用16帧，均值采样后在附近随机采样进行augmented，空间上在四个角和中间采crop，并使用multiscale技术18，将原图多尺寸crop后scale到最终需求。
在文章19中有一个对这些技术的对比，同时，这篇文章提出clip length对结果影响很大。
另外，本文提供了pretrained模型，基于torch的resnet18和resnet34，转换为pytorch的方法在我的github上有（https://github.com/lshiwjx）。而且作者最近在写pytorch版本的。
1.3. 3D Resnet v220
本文主要对3d resnet的基础设置进行了寻找。结构上去掉了5.2中的max pool。
结果为：resnet18优于34，一个clip最好在0.25-0.75s之间，以8frame为一个clip，resize与crop为128à112，采样率为每隔2到4帧采一次（30fps）。
模型大小上：Res3Dis about 2 times smaller and also 2 times faster than C3D. Res3D has 33.2 millionparameters and 19.3 billion FLOPs while C3D has 72.9 million parameters and38.5 billion FLOPs.
本文的结果我认为需要longterm modeling的支持，clip太短了。
1.4. 3D Inception21
本文对inception v1进行了3d扩展，并使用了光流提取的特征。
有一些结果图比较好：
1.5. 3D Inception-resnet22
对inception-resnet进行了扩展用于人表情识别，细节缺失
Reference：
16. DuTran, Bourdev, L., Fergus, R., Torresani, L. & Paluri, M. Learningspatiotemporal features with 3d convolutional networks. inProceedings ofthe IEEE International Conference on Computer Vision 4489–4497 (2015).
17. Hara,K., Kataoka, H. & Satoh, Y. Learning Spatio-Temporal Features with 3DResidual Networks for Action Recognition.ArXiv170807632 Cs (2017).
18. Wang,L., Xiong, Y., Wang, Z. & Qiao, Y. Towards good practices for very deeptwo-stream convnets.ArXiv Prepr. ArXiv150702159 (2015).
19. Donahue,J. et al. Long-term recurrent convolutional networks for visualrecognition and description. inProceedings of the IEEE conference oncomputer vision and pattern recognition 2625–2634 (2015).
20. Tran,D., Ray, J., Shou, Z., Chang, S.-F. & Paluri, M. ConvNet ArchitectureSearch for Spatiotemporal Feature Learning.ArXiv170805038 Cs (2017).
21. Carreira,J. & Zisserman, A. Quo Vadis, Action Recognition? A New Model and theKinetics Dataset.ArXiv Prepr. ArXiv170507750 (2017).
22. Hasani,B. & Mahoor, M. H. Facial Expression Recognition Using Enhanced Deep 3DConvolutional Neural Networks.ArXiv Prepr. ArXiv170507871 (2017).