论文笔记：Gate-Shift Networks for Video Action Recognition（GSM）

代码链接：

https://github.com/swathikirans/GSM

文章链接：

https://arxiv.org/pdf/1912.00381.pdf

文章提出动机：当前视频行为识别各式各样，但没有达到像图像识别，ALexnet那样的效果。3D卷积参数多，计算量大，在数据集不多的情况下效果不尽如人意。因此借鉴TSM的时间移位思想（shift_forward,shift_backward）,和GST的分组卷积思想。提出GSM（Gate-Shift Module）

文章思想：将输入的特征，划分为两个部分，分别进行2D卷积（空间建模）和3D卷积（时序建模）。本文提出了一种自适应划分的方法，自适应的判断对输入的特征哪一部分进行空间建模，哪一部分进行时序建模。

方法：

问题及看法：

1.为什么划分为两个特征？

参考GST分组卷积的思路 ，在保证效果的同时，减少参数计算

2.为什么进行前向shift和反向shift，有什么依据吗？

参考TSM模块，在2D卷积的基础上，进行时间移位，融合时序信息，进行时序建模。

疑惑：

1.为什么说，文章可以自适应的判断对输入的特征哪一部分进行空间建模，哪一部分进行时序建模。这里的“哪一部份”是指时序上的不同部分，还是指channel上的不同部分？

2.文章中说，门控可以根据训练数据的不同自适应的改变模型，是什么意思？可否举例说明？