这篇文章提出了一种叫做activation motion compensation（AMC）的算法，类似于motion estimation的方式，运用上下帧之间的相似度来减少一些重复的计算，或者说是估计发生移动的物体的位置。
这篇文章不仅提出了软件层的算法，同时也co-design了一个能够有效运行该算法的硬件，但是这篇博客只讨论AMC算法。
说到底，该算法就是两个主要思想的结合体：1. 利用帧之间的temporal redundancy；2. 通过incremental approximation近似CNN的结果。即，AMC捕捉到input stream中的motion并且把它施加在保存好的CNN的activations中，来近似得到物体新的位置。
具体的实现思想非常简单，如下图所示。将CNN拆分成前后两个部分：prefix和suffix。挑选出一些key frames完整的经过CNN得到输出和predictions。随后的一些帧被定义为predicted frames，这些帧都不经过完整的CNN网络，通过使用key frame经过prefix得到的activations以及motion estimation得到的运动信息，整合出估计的activations（代替predicted frames经过prefix得到的activations）放进CNN的suffix得到detection的结果。
在获得了motion的信息之后，我们需要将物体进行平移。CNN的连续处理两张照片得到的结果相当于是先将物体平移然后卷积，activate得到结果；那么现在我们可以把顺序反过来，先得到第一张图片的activation的结果，然后讲motion的平移向量放到activation上得到近似的结果。形象的原理如下图所示：
至于motion estimation这篇文章提出了一个新颖的算法叫做：receptive field block motion estimation（RFBMM）。RFBMM用来感知整个感受野的motion信息，为了避免冗余的计算，该算法先将每张image划分成个小方格，称为tile，其中s就是卷积中的stride。然后计算感受野之间的差异的时候，就相当于是计算感受野当中所有这些小方格的大小（单纯地忽略padding中的pixel和不能整除stride的kernel size的部分pixel）。这个时候就有很多的冗余可以被重复利用，如下图所示：
其中(0, 0)，(0, 1)，(1, 0)，(1, 1)这些是第一个感受野的差异值，那么(1, 0)，(1, 1)这两个tile在计算第二个感受野的时候也可以被用到。
剩下最重要的就是如何选择key frame，最naive的方式就每个多少帧选择一张image作为key frame，但是可以使用自适应的手段，也就是当图片出现了巨大的抖动的时候就更换一张key frame，如何判断发生了巨大的改变呢？
文章定义了两个指标：
1. pixel compensation error：当所有的block累计出来的error超过一定的限度的时候，选择一张新的key frame；
2. total motion magnitude：当图片中的motion非常的大的时候，通常近似会不准，所以选择一张新的key frame。