该研究提出了 Audiovisual SlowFast Networks，一种用于集成视听感知的架构，并通过多层次融合视听特征以及采用 DropPathway regularization 技术对音频路径进行正则化来提高训练效果，并通过层次感知来学习联合视听特征，该方法在六个视频动作分类和检测数据集上取得了最先进的结果。

Jan, 2020

本文提出了一种用于音频识别的双流卷积网络，通过学习具有可分离卷积和多级侧向连接的 Slow-Fast 音频流。我们证明了我们的双流提案在 VGG-Sound 和 EPIC-KITCHENS-100 数据集上的重要性，并在两个数据集上均取得了最先进的结果。

Mar, 2021

本文研究行动识别问题，结合 SlowFast 网络和 TSM 方法，在视频中提取运动特征可以使用残差帧作为输入和 RGB 帧输入模型的优秀补充，通过 3D 卷。积（SlowFast）与 2D 卷积（TSM）的组合取得更好的性能结果，以上实验均在 UCF101 中从头开始训练。

Jul, 2020

本研究旨在通过双通道 SlowFast 网络以及特殊的特征融合方法，有效提取连续手语识别中的时空特征，并在多个数据集上展示了该模型在空间和动态表示方面的优势。

Sep, 2023

该研究提出了一种针对视频识别的研究框架，Deep feature flow，使用卷积神经网络在关键帧上运行，通过流场传播其特征图到其他帧，大大提高了视频识别的速度和准确性，同时为实际应用打下坚实的基础。

Nov, 2016

介绍了 Coarse-Fine Networks 模型，利用不同抽象层次的时间分辨率学习更好的视频表示，提出 Grid Pool 和 Multi-stage Fusion 算法，成功降低了计算和内存需求，且超越了 Charades 数据集中的行动检测 state-of-the-art 性能。

Mar, 2021

本文介绍了一种基于低分辨率帧和高分辨率帧的轻量级、节省内存的行动识别架构，通过 FLOPs 降低 3~4 倍，内存使用降低 2 倍，利用提出的时间聚合模块来模拟视频中的时间依赖性。该模型在多项行动识别基准测试中表现良好。

Dec, 2019

使用 SpeedNet 模型自动预测视频对象的速度，在无需手动注释的自我监督学习方式下可以检测任意速率的快慢，并通过预测出的速度增强了自我监督动作识别和视频检索性能。此外，SpeedNet 还可用于生成时间变化的自适应视频加速，可使观看者以更快的速度观看视频，但不会导致播放速度不均匀的问题。

Apr, 2020

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

通过利用不同视频播放速度下不改变动作的特性，利用未标记的视频，学习两通道时间对比模型，提取时间信息并在多个基准数据集和网络架构上实现优异的半监督图像识别效果。

Feb, 2021