本文提出了一种基于深度卷积神经网络的两通道 ConvNet 架构，结合了空间和时间网络，利用稀疏光流信息进行训练并使用多任务学习提高模型性能，成功地提高了视频动作识别的准确率。

Jun, 2014

该研究提出了一种新颖的深度监督神经网络模型，利用了视觉跟踪，并结合了深度卷积神经网络（CNN）和循环神经网络（RNN）的鲁棒性来进行视频动作识别任务。研究结果表明，该模型在 UCF101 和 HMDB51 这两个具有挑战性的数据集上表现出色，仅使用卷积特征就可以达到最先进的水平。

Jul, 2016

通过对深度学习模型的全面分析，这项研究揭示了卷积神经网络、循环神经网络和两流卷积神经网络在人体动作识别中的优势和性能差异，并强调了综合模型在实现强大的人体动作识别方面的潜力和优化的研究方向。

Mar, 2024

本文介绍一种基于卷积神经网络的层级模型，用于动作识别任务。该模型采用最后一层卷积神经网络的输出特征作为基础，并设计了一个层级结构来捕获视频中的时间变化。同时，作者引入了一种用于提取视频关键帧的方法，从而提高了模型的性能表现。通过在多个动作数据集上的实验结果表明，该方法在动作识别任务上取得了优越的性能表现。

Dec, 2015

本论文提出了一种通过将循环神经网络和卷积神经网络相结合运用于动作识别的算法，通过 SVM 对特征进行分类，实验结果表明，在标准数据集上，该算法提高了 14% 的识别率。

Mar, 2017

本文综述了 200 多篇关于视频动作识别的深度学习论文，介绍了 17 个影响模型设计的数据集和深度学习模型的发展历程，包括深度学习适应、双流网络、3D 卷积核和计算效率模型，并对几种方法在典型数据集上进行了基准测试，最后，讨论了视频动作识别面临的问题和未来的研究机会。

Dec, 2020

本研究针对深度学习在静态图像中的分类问题做了深入探讨，分析了在视频领域中，深度学习模型较浅，训练集过小的问题。该研究通过设计更深的模型，采用多种好的训练方法，得到了 91.4% 的 UCF101（一份视频数据集）分类精度。

Jul, 2015

介绍一种结合手工特征和深度学习的识别视频动作的方法，并在五个动作识别基准测试中取得了显著的数据效率和精度提升。

Aug, 2016

本篇论文研究了基于视频的人体行为识别任务，通过比较现有的深度学习框架（尤其是视频动作识别的表现）和机器学习框架，提出了多项新颖的研究方案。

May, 2023

本文介绍了一种新型的卷积神经网络 ——DeepPattern，用于对人类行为和属性进行细分，通过训练得到了一组具有辨别力的中层特征图像块，为行为分类和属性识别提供了一种新的解决方法。

Aug, 2016