Timeception Complex Action Recognition
地址：https://arxiv.org/pdf/1812.01289.pdf
introduction
当前的很多工作主要关注short-range的行为识别，如：ucf101,hmdb51 & kinetics。而我们主要关注long range & complex 的行为。该任务的两个难点：1）如何同时建立 minute-long temporal modeling 和seconds-long details（对长序列建模的同时，也关注短序列） 2）当前的时空卷积通常是fixed-size kernels，如何建立不同尺度？。所以本文提出：Timeception，1）同时关注长短时间内的序列信息 2）容忍行为在时间范围内的差异（是指可以学习短序列，也可以学习长序列么？）
贡献：1）learn minute-long action ranges of 1024 timesteps； 2）introduce multi-scale temporal kernels ；3） use temporal-only convolutions；
method
1.motivation
提出质疑：当前的3d卷积中，没人证明为什么要同时学习时空特征。
虽然有方法认为可将3d卷积解耦成 空间卷积1*L*L和时间卷积 T*1*1，但这种方式的解耦并不是必须的，我们可以将解耦定义为：
也就是没必要解耦成空间与时间链接or交替的方式。
2.设计时空CNN的3个原则
1）Subspace Modularity 子空间模块化
2）Subspace Balance
3）Subspace Efficiency
（这里几个原则，可能理解起来就是 设计一个module可以很方便／lightweight的用于现有的很多网络中）
3.提出的Timeception layers
对长视频建模的两个目标：1) learn the possible long-range temporal dependencies ；2）容忍不同的时长。
1）如何学习long-range tenporal dependencies？
本文提出了temporal-only的convolution：T*1*1*1，每个kernel只在一个channel上作用。
如果堆积很多temporal-only 的卷积层不好，所以使用：use channel grouping operation before the temporal-only convolutions and channel shuffling operation after the temporal-only convolutions.
有点像shuffle-net中分组卷积，每个temporal-only的卷积只对当前这一小组的特征进行作用；分组卷积完成后，在引入channel shuffle，这样就能融合不同尺度的特征。
2）如何Tolerating Variant Temporal Extents？
将上面提到的temporal-only的卷积 换成 multi-scale temporal kernels，两种方式：a) inception 结构 b）dalated 卷积（减少参数）
这里有点想捕获不同时间范畴的信息，所以引入不同尺度的kernel size，实现长短信息交互。
3）提出的卷积模型
图b：时间卷积操作的kernel size:3,5,7；在channel维度concat
图a：先分组卷积，再在channel维度concat；这里shuffle并不是完全引入random shufle这样的操作，而是一种“flatten-reshape-flatten”的操作；具体可以看shuffle-net的实现。
experiment
1.数据集： Charades，Breakfast Actions，MultiTHUMOS
2. Original v.s. Altered Temporal Extents
先训练两个baseline，一个用mulit-scale temporal kernel，另一个用fixed-sized kernel。结果：（虽然有提高，但这个结果并木有report baseline？）
3.Fixed-size vs. Multi-scale Temporal Kernels
个人想法：
本文好像就是提出了Timeception 层，只做时间维度的1d卷积，然后像inception一样把不同卷积核大小输出的结果在channel维度链接。（也可以是dalated 卷积实现）
第一次看这篇paper时，完全没看懂shuffle操作，shuffle层在代码中：
一开始感觉就是shape的转换，怎么就可以实现shuffle了？不过后来看了一下shuffle-net才明白～
不过这篇paper是将提出的Timeception层接在网络的最后面（应该是这样的，具体我也没细看）感觉也有点奇怪，有点像是在hige-level对不同帧特征进行时序融合。我之前参考Timeception的思想，将这样的时序关系学习引入在resnet中间，好像性能反而降了很多...这两周有空试试接在resnet最后面看看有木有效果～
