我们提出了一种基于 R-C3D 模型的视频流活动检测方法，通过提取关键的时空特征来定位和分类实现高效监测，该模型具有端到端的训练方式和较快的运行速度，在多个数据集上取得了最佳的效果。

Mar, 2017

该研究引入了新模型 R-C3D 来进行连续未修剪视频流的时间活动检测，包括提取有意义的时空特征来捕捉活动、准确定位每个活动的开始和结束时间，并通过将原始 RGB 流与基于光流的运动流进行有效整合，进一步提高了检测性能。通过在三个基准数据集上的实验，该模型在 THUMOS'14 和 Charades 数据集上取得了最先进的结果，并证明其是一种通用的时间活动检测框架。

Jun, 2019

本文提出了一种用于活动检测的上下文多尺度区域卷积 3D 神经网络 (CMS-RC3D)，通过使用时间特征金字塔来表示不同时间尺度的活动实例，并在每个时间特征金字塔的级别上都学习了一个针对特定时间尺度的活动建议检测器和活动分类器，以进行更好的识别。 实验结果表明，CMS-RC3D 探测器在处理所有时间尺度范围内的活动时，仅需通过主干网络进行一次，而在 THUMOS14 数据集上比现有方法表现更好，并在 ActivityNet 数据集上实现了可比较的结果，尽管使用了浅层特征提取器。

Jan, 2018

本文提出一种深度神经网络模型，可以在利用 3D 传感器获取的数据的基础上联合推理 3D 检测、跟踪和运动预测，该方法在鸟瞰图表示的 3D 世界上执行时空 3D 卷积，具有高效的特点，并在多个北美城市捕获的超大规模数据集上进行实验，结果显示该方法在性能上大幅领先于现有技术，而且多项任务仅需要 30 毫秒即可完成。

Dec, 2020

通过在大规模监督视频数据集上使用训练的深度三维卷积神经网络（3D ConvNets）提出了一种简单而有效的时空特征学习方法。我们的成果有三个：1）相对于 2D ConvNets，3D ConvNets 更适用于时空特征学习；2）所有层中具有小的 3x3x3 卷积核的同构体系结构是 3D ConvNets 中表现最佳的体系结构之一；3）我们学到的特征 —— 即 C3D（卷积 3D）—— 连同一个简单的线性分类器，在 4 个不同的基准测试中优于最先进的方法，并与其他 2 个基准测试中的最佳方法相当。此外，这些特征紧凑：只需 10 维便能在 UCF101 数据集上达到 52.8％的准确率，由于 ConvNets 的快速推理，计算效率也非常高。最后，它们在概念上非常简单易用且易于训练和使用。

Dec, 2014

该论文研究了使用 3D CNNs 进行动作识别时，使用两个网络（时空流和时间流）的效果，并发现在时间流中存在动作表示，但其在时空流中缺失；另外也展示了如何通过引入蒸馏方法，将时空流中缺失的动作信息膨胀输出，进而提高 3D CNNs 的准确率。

Dec, 2018

本研究提出了一种用于视频中动作检测和分割的端到端 3D CNN，利用 3D 卷积特征识别和定位动作，通过平分视频为若干部分，生成不同段落的膜状提议，然后把不同段的提议联系在一起，通过上下文信息实现视频物体分割和动作检测。

Nov, 2017

提出了一种称为零样本时间活动检测（ZSTAD）的新任务设置，其中可以检测到没有在训练中见过的活动。使用 R-C3D 进行设计并采用考虑到活动标签和超类嵌入的创新损失函数对网络进行优化，实验结果对于检测到未知活动方面表现出了良好的性能。

Mar, 2020

文章提出了一种基于卷积神经网络的稀疏数据三维物体检测方法，称为 Generative Sparse Detection Network (GSDN)，该方法将稀疏的数据集扩展成支持物体检测的密集数据，该方法在三个 3D 室内数据集上进行验证，取得了 7.14% 的相对改进，而且比最佳前期工作快了 3.78 倍。

Jun, 2020

提出了一种区分性单射分割跟踪器 - D3S，通过应用两个具有互补几何特性的目标模型，一个针对广泛的变换，包括非刚性变形，另一个假设为刚体对象，实现了高鲁棒性和在线目标分割，在 VOT2016、VOT2018 和 GOT-10k 基准测试中性能优于所有跟踪器，并接近于 TrackingNet 的最先进跟踪器，在视频对象分割基准测试中优于领先的分割跟踪器 SiamMask，性能与顶级视频对象分割算法相当，运行速度接近实时。

Nov, 2019