视频物体检测文献阅读笔记

Impression Network for Video Object Detection
基于印象机制的高效多帧特征融合，解决defocus and motion
blur等问题（即视频中某帧的质量低的问题），同时提高速度和性能。

类似TSN，每个segment选一个key frame（注意，TSN做视频分类是在cnn最后才融合不同的segments）。特征融合前需要用Optical flow（FlowNet-S）来对齐。
目前使用的是fixed segment length，联想Deep Alternative Neural Network使用的自适应视频分段方法。

Detect to Track and Track to Detect

思考：track是不是可以代替印象网络中的光流来自动做对齐？

Mobile Video Object Detection with Temporally-Aware Feature Maps

哈哈，看来帧间特征的关联就是光流，TSN，印象机制，RNN，3d conv这几种常见办法了。
注意这里用的是卷积LSTM！且改进成了高效的Bottleneck-LSTM：

Spatial-Temporal Memory Networks for Video Object Detection
也是为了通过简单的帧来加强质量差的帧：

记忆机制（是不是和印象机制差不多？）：

STMM是ConvGRU的改进，以更好地利用ImageNet预训练权重。
使用更高效的MatchTrans module来对齐帧间的特征（而不是光流。可以看出最近的文章思路都很像==），大概是基于近邻的思路。
动作分类中记忆机制会不会比TSN好，是否需要做对齐？

Towards High Performance Video Object Detection

路子和印象机制那篇很像，也是稀疏的特征传递，用flow对齐。好像方法更精致一些（虽然论文好像上传的很仓促，是因为最近太多类似工作上传了吗？）？比如对key frame进行了自适应？