视频分类

视频分类为视频分配语义标签，核心挑战是时序建模、计算复杂度和标注成本。

主流方法

基于 2D CNN

帧级特征聚合：

$P(y|v)=\frac{1}{T}{\sum }_{t=1}^T{f}_{\theta }(x_t)$

代表：TSN、TRN

基于 3D CNN

3D 卷积核直接处理时空：

$F_{out}(x,y,t)={\sum }_{i,j,k}{F}_{in}(x+i,y+j,t+k)\cdot W(i,j,k)$

代表：C3D、I3D、SlowFast

基于 Transformer

时序注意力建模：

$\text{Attention}(Q,K,V)=\text{softmax}(\frac{Q{K}^T}{\sqrt{d_k}})V$

代表：TimeSformer、ViViT、Video Swin

评估指标

指标	适用场景
Top-1 Accuracy	单标签
Top-5 Accuracy	多标签
mAP	多标签

未来方向

• 自监督学习（MoCo v3 迁移）
• 多模态融合（音频、文本）
• 边缘计算轻量化