视频分类工程实践的几个方面

标签：任务   图像   作图   训练   方法   视频   模型   通用   问题   

一、光流特征的使用

      对于很多模型，光流特征的加入，会明显提升效果，这是因为光流特征是比较科学的人工特征。但是，光流特征需要很高的计算代价和存储代价，所以TV-Nets或许是工程上解决这一问题的方法。

      有一些模型，对光流特征的加入，提升效果不明显，或许可以不考虑这个问题。

二、预训练

      一些模型在大型动作视频数据集上（如Sports-1M）预训练，然后迁移到小的动作数据集（如UCF101）上，这种情况对于非动作视频的分类任务效果如何是待定的。ICCV2018好像就有一些文章研究迁移学习的效果。

      一些模型使用ImageNet等大型图像数据集做预训练，因为ImageNet并非局限于动作图像，所以对于非动作视频的分类任务可能通用性更好。

视频分类工程实践的几个方面

标签：任务   图像   作图   训练   方法   视频   模型   通用   问题   

原文地址：https://www.cnblogs.com/mimandehuanxue/p/9259641.html