LLLMWIKI
ArticleMetadataMain page

Source note · Updated 2026-07-14

Quo Vadis, Action Recognition?I3D、Kinetics 与 3D 视频预训练

I3D:膨胀 3D 卷积与视频预训练

一句话结论

I3D 把 2D 图像网络沿时间维扩展为 3D 卷积,并用 Kinetics 预训练建立可迁移的视频动作识别基线。

问题定义

怎样复用成熟图像网络,同时让模型直接学习时空局部模式,并克服小型视频数据集不足?

方法概述

2D 滤波器膨胀为 3D 并继承 ImageNet 权重;RGB 与光流 I3D 分别建模外观和运动,再融合。

关键发现

  • Kinetics 规模的视频预训练显著改善下游动作分类。
  • 3D 卷积可从 2D 权重初始化。
  • 强结果混合架构、图像/视频数据与光流,不能单因素外推。

局限或疑问

  • 3D 卷积成本高,clip 上下文有限。
  • 光流流仍需要外部计算。
  • 动作分类不能代表长视频理解。

原始链接

相关页面