论文的三个贡献
（1）提出了two-stream结构的CNN，由空间和时间两个维度的网络组成。
（2）使用多帧的密集光流场作为训练输入，可以提取动作的信息。
（3）利用了多任务训练的方法把两个数据集联合起来。
Two stream结构
视屏可以分成空间与时间两个部分，空间部分指独立帧的表面信息，关于物体、场景等；而时间部分信息指帧间的光流，携带着帧之间的运动信息。相应的，所提出的网络结构由两个深度网络组成，分别处理时间与空间的维度。
可以看到，每个深度网络都会输出一个softmax层，最后会通过一种方法把两个softmax层的输出融合：一种是平均层，一种是训练一个以这些softmax输出作为特征的SVM。
空间卷积网络
网络的输入是单帧，这样的分类网络其实有很多，例如AlexNext，GoogLeNet等，可以现在imageNet上预训练，再进行参数迁移。
光流场卷积网络（时间维度网络）
光流场卷积网络的输入是 stacking optical flow displacement fields between several consecutive frames（不会翻译……），就是多层两帧间的光流场，可以从上图看出。因为光流场可以描述物体的运动信息。
简单光流场叠加
方法是计算每两帧间的光流，简单地叠加在一起。假设需要追踪L+1帧（会产生L帧的光流），那么会把光流分解成X，Y两个方向的光流，这时会有2L个通道。
轨迹追踪光流叠加
假设一帧的像素点，可以通过光流来追踪它在视频中的轨迹点，从而计算它在每一帧的相应位置的光流向量。同样的会把光流分解成X，Y两个方向的光流，这时会有2L个通道。
对于这种方法，我想到DT的论文中谈到的一个问题就是：像素点的“漂移”，这很可能会出现在追踪多帧之后。猜想的是，这个L帧应该不是指训练视频的所有帧，这种方法可以很好地区分出前景和背景。
减去平均光流
这主要是为了消去摄像头运动引起的相对运动。
多任务训练
对于空间卷积网络，因为它输入的只是图像，而且只是一个分类网络，它有大量的数据集可供预训练，这是为了应对过拟合的问题。
但是对于时间卷积网络，可供训练的视频集很少。作者使用多任务训练的方法，提供两个softmax输出层，但网络只有一个。论文的依据是，提供两个softmax输出层相当于正则化的过程。这样融合两个数据集对网络进行训练时，其中一个softmax层对其中一个数据集的视频进行分类，另一个softmax层对另一个数据集进行分类，在最后BP算法时，把两个softmax层的输出加和，作为总的误差执行BP算法更新网络的权值。
一些细节问题
1、计算光流是预处理后保存的，因为这会影响网络的速度。
2、测试时，对于一个输入视频，随机抽样固定数的帧，它们的时间维度间隔是一样的。对于每帧，又计算它的光流场叠加。而每一帧又会在不同的位置采样，对于一个视频的误差，就是总的误差的平均。