主要贡献：
1.提出一个包括活动候选区和任意长度活动的分类的端到端模型。如下图所示
2.提出在候选区生成和分类部分共享全卷积C3D特征，实现了比当前模型快5倍的速度。
论文主要从Faster R-CNN受启发而来，论文大部分idea都是Faster R-CNN中提出的（看这篇论文的时候，我真是深感生不逢时啊），作者将2D目标检测的方法用到了时间卷积网络，因此出现了R-C3D。
R-C3D模型框架
如上图所示，R-C3D由3部分组成，一个共享的3D ConvNet特征提取器，一个时间候选段（temporal proposal stage）生成部分，一个活动分类及调整部分。
模型输入是3xLxHxW的RGB视频帧，先经过3D ConvNet特征提取网络，再由temporal proposal stage 生成候选区域，候选区域的连续帧将进行分类，并调整候选区域。
关于共享的3D ConvNet特征提取器没有过多介绍，主要采取C3D网络的五层卷积层，第五层输出的尺寸是512x (L/8) x (H/16) x (W/16)。512是feature map 的通道数，H和W是112，L是任意长度的，受内存限制。
Temporal Proposal Subnet
这个部分的主要内容是实现模型对任意长度候选段的预测。
由于第五层输出了长度为L/8的时间位置（temporal locations）（指的是时间维度上的长度）, 这里每个位置产生K个anchor片段（对anchor不懂的，直接理解为K个片段也可以），每个anchor片段都有固定但不同的比例，即总共产生的anchor片段是L/8*K个。
然后，通过大小为（1xH/16xW/16）的3D最大池化对空间维度上进行下采样（从H/16xW/16 到1x1 ）产生时间特征图Ctpn (R512xL/8 x1x1)，Cptn中每个位置的512维的向量用来预测一个中心位置和每个anchor片段长度{Ci, Li}的相对偏移{$Ci, $Li}, i属于{1, ...., K}
候选段的偏移和得分是通过在Cptn的顶端增加两个1x1x1的卷积层来预测的。
在训练阶段，通过两种方式来确定正样本，
1）与一些ground-truth活动的IoU值大于0.7；
2）与一些ground-truth活动的IoU值最大。
若IoU低于0.3，则直接认为是负样本。最后正负样本的比例为1:1.
Activity Classification Subnet
对上个阶段产生的anchor proposal片段（由于比例不一样，因此长度不一）通过3D RoI池化来抽出固定长度的候选段（长度都一样），然后对候选段进行分类和边界回归。
对于那些生成的anchor 候选段，互相覆盖率比较高的，且置信度比较低的，使用非极大值抑制（NMS）直接去除，NMS的阈值设为0.7。
关于3D RoI，其作用就是从任意的L，H，W的图输出一个固定大小的图。
例如，输入的图的尺寸是 LxHxW, 需要输出的大小为Ls x Hs xWs。只需要一个大小为L/Ls, H/Hs, W/Ws的最大池化操作即可。
回到本文，在经过3D RoI池化后输入两个全连接层，经过两个全连接层后进入分类和候选段回归部分，分类和回归又是各自两个全连接层。（具体看图2）
Optimization
分类使用softmax, 回归使用smooth-L1 loss ,
关于smooth-L1 loss如下：
因此整个模型的目标函数为：
前面部分是分类的部分。后面的部分是回归。
关于回归部分，ti表示预测的相对偏移量，ti*表示ground truth片段转到anchor片段的转移坐标(这句话比较难理解，这里anchor片段指的是对时间维度进行了卷积操作后（变了长度）的部分而ground truth指的是原视频的片段，（感觉这个anchor不是yolo里的那个anchor了，yolo里的anchor指的是原图片下的点）)。
其坐标 ti={$Ci, $Li }，ti 和ti* 计算如下：
带*的Ci是ground truth的中心，Ci是anchor 的中心，带*的Li是ground truth的长度，Li是anchor的长度。
为防止这部分没讲清楚，把论文原文相关部分贴在下面
到此，R-C3D的主要内容就讲完了，剩下的是一些实验，如IoU阈值取多少合适，论文进行了不同阈值效果对比，发现取0.5比较好，然后还测试了阈值取0.5时在THUMOS14数据集上各个类别的AP值，以及与其他模型取得的AP值对比。
最后是R-C3D与其他SOTA模型的一些map与速度对比。具体如下：
如有错误或不合理之处，欢迎在评论中指正。
