主要关注两个点：如何获取视频全局上的表达（考虑更长的时序上的信息），在获取全局表达时如何避免冗余的计算量（相比3D卷积核直接应用在所有frame stacks）。
主要工作
论文中讨论了两种方法，一种是提取每一帧的深度卷积特征，再使用不同的pooling层结构进行特征融合，得到最终输出。一种是使用lstm提取视频序列上的全局信息，再加softmax层得到最终分类。
Feature Pooling Architectures
Conv Pooling的效果最好，因为它在时间序列上的max pooling层，保留了空间信息。Late Pooling效果差也是因为高维的全连接层破坏了空间结构。Time-Domain Conv相当于用小的时序窗口捕获局部结构，最后实验效果最差，说明更长的时间序列效果更好。
LSTM Architecture
其他
- 使用光流
对CNN Architecture基本没有帮助，对LSTM能够提高一个百分点。 - 帧数目的影响