在UCF101上使用3D CNN/CNN + RNN进行视频分类/动作识别的教程 视频分类 该存储库使用 UCF101 和 PyTorch 为视频分类（或动作识别）构建了一个快速而简单的代码。 视频被视为一个 3D 图像或几个连续的 2D 图像（图 1）。 下面是两个简单的神经网络模型：数据集 UCF101 共有来自 101 个动作的 13,320 个视频。 视频具有不同的时间长度（帧）和不同的 2d 图像大小； 最短的是28帧。 为了避免像 OpenCV 或 FFmpeg 这样的帧提取和转换等痛苦的视频预处理，这里我直接使用了来自 feichtenhofer 的预处理数据集。 如果您想从头开始转换或提取视频帧，这里有一些不错的教程：https://pythonprogramming.net/loading-video-python-opencv-tutorial/ https://www.pyimagesearch.com/2017/02/ 06/faster-video-file-fps-with-cv2-videocapture-and-opencv/ 模型 1. 3

包括dance和driving两类视频数据集，各约50个视频文件，可以用于学习训练视频分类模型（包括dance和driving两类视频数据集，各约50个视频文件，可以用于学习训练视频分类模型、包括dance和driving两类视频数据集，各约50个视频文件，可以用于学习训练视频分类模型）

基于迁移学习和注意力机制的视频分类，刘昊鑫，刘同存，受到图像分类和机器翻译的研究成果的启发，本文将其成功的体系结构设计（例如卷积神经网络和注意力机制）引入视频分类。本文尝试

运行过程： https://blog.csdn.net/qq_41956697/article/details/114651433

针对已有深度特征用于视频分类精度较低的不足,提出了一种新的基于视频时空域深度特征两级编码融合的视频分类方法.首先基于两个深度卷积神经网络模型分别提取视频帧的深度空域信息和深度时域信息;然后依次采用Fisher向量和局部聚合对上述时空域的深度信息进行两级级联编码,实现对视频的高效表征;最后基于两级编码后的时空域联合深度特征,利用支持向量机进行分类.在UCF101上的实验结果表明,与已有的方法相比,算法具有更好的分类精度.

Video-Classification-2-Stream-CNN, 2流CNN视频分类 基于两流的视频分类算法我们分别利用 VGG-16 和cnn的空间和时序流对视频信息进行建模。 LSTMs堆叠在CNNs之上，用于建模视频帧之间的长期依赖关系。 有关更多信息，请参阅以下文件：两流卷积网络在视频识别中的动作识别用于视频分

https://github.com/kenshohara/3D-ResNets-PyTorch中的预训练模型，https://drive.google.com/drive/folders/1zvl89AgFAApbH0At-gMuZSeQB_LpNP-M

https://github.com/kenshohara/3D-ResNets-PyTorch中的预训练模型，https://drive.google.com/drive/folders/1zvl89AgFAApbH0At-gMuZSeQB_LpNP-M

通过改造Inception_v2达到视频分类的目的

该readme文件详细介绍了https://github.com/kenshohara/3D-ResNets-PyTorch这个repo中的ResNet3D的使用方法，并将其用于一个新的打架数据集的视频分类任务