视频相比图像包含更多信息：运动信息、时序信息、背景信息等等。
原先处理视频的方法：
- CNN + LSTM：CNN 抽取关键特征，LSTM 做时序逻辑；抽取视频中关键 K 帧输入 CNN 得到图片特征，再输入 LSTM，进行时间戳上的融合，得到视频的特征。最后将 LSTM 最终时刻的特征接一个 FC 层得到最终结果。
- 3D 网络：输入 3D CNN，模型参数量大。
作者认为 CNN 本身适合处理静态信息（如物体的形状、大小、颜色等）而非运动信息。于是采取另一个网络（光溜网络）抽取运动信息，CNN 只需要学习输入光流和最后动作信息之间的映射。
最后的融合有两种方式：1）late fusion：两个 logits 加权平均得到最终结果；2）将 argmax 结果作为特征再训练一个 SVM 分类器。
光流是描述视频中物体的运动信息，对每个点实际上都是需要计算的，故而是一种密集表示。在本文中，作者将光流值压缩至 [0,255]，采用 JPEG 存储。（光流的弊端------存储空间大、提取速度慢）
在本文中，光流采取了两种方式：1）简单叠加：每个点多次光流的叠加，光流点位置不更新；2）按轨迹叠加：每一帧都根据光流轨迹，更新光流点位置。（在本文实验中第一种方式更好，但实际上第二种更合理。）
在光流网络中，对所有视频首先 rescale 至 256，再固定抽取 25 帧（不管视频多长，等间距抽取），对抽取出来的每一帧都做 10 crop（每一帧裁剪 4 个边和 1 个中心，翻转之后再 crop 五张图）。
实验结果
- 空间流网络：使用预训练模型更好，可以直接使用从 ImageNet 上预训练的模型。
- From scratch：从头训练，效果更差。
- Pre-trained + fine-tuning：微调整个模型。因为数据集过小，担心过拟合，实验了 dropout ratio=0.9
- Pre-trained + last layer：微调最后一层，不担心过拟合。
- 时间流网络：简单叠加效果更好
- Single-frame：输入是单张光流图。
- Optical flow stacking、 Trajectory stacking：简单叠加和按轨迹叠加。
总结
之前的深度学习方法没有利用运动信息，导致效果远不如手工特征，由此引入运动信息------光流；同时双流网络的应用同时表明了，当魔改单个网络无法解决时，可以给模型提供一些先验信息，往往能大幅简化。同时也证明了数据的重要性，更多更好的数据能够提升模型效果、泛化性等一系列问题。