最近翻了一篇老论文R-C3D: Region Convolutional 3D Network for Temporal Activity Detection，该文使用3D卷积+temporal proposal进行时序检测，算法思路简单明了，直接上图：
该算法思路可理解为，将双阶段的目标空间检测向时序维度检测的扩展，因为输入添加了时间维度，故使用了3D卷积，经过backbone前向，将原本L帧的视频信息采样至L/8帧，对L/8的每一帧预测K个temporal anchor proposals，每个proposal包括一个是否包含动作的二分类分数以及时间补偿（中心的偏移量，以及长度的偏移量），通过NMS处理后，经过3D roi Pooling统一尺度，进行第二阶段的种类预测以及精准时间补偿预测。