解纠缠的视频表征学习，建模短期内的动态信息，分别根据多种特征分别预测，然后做动作识别，CVPR 2018，时间较早 差分建模
Code：未开源
- 将视频表征划分为三方面：外观特征，视觉运动，外观变化。首先Concat连续帧提取浅层特征，然后分别学习三种解耦合的特征
- 外观特征，Convolution + Temporal Pooling
- 视觉运动（Object / Camera Motion），构造基于 cost volume（即两帧像素的相似度，不过是一个像素与一个区域的匹配，H×W×(2∆H+1)×(2∆W+1) ，一个图是HW个像素，每个像素与一个区域里(2∆H+1)×(2∆W+1)个像素的匹配） **的运动表示，最终采用每个像素的偏移量作为运动信息（Optical-FLow，H×W×2）
- 外观变化，特指由光照变化等非运动因素引起的外观变化，做法上可以理解为先对齐两帧，然后相减，做法合理，我们以前有过类似做法，但是没有合理解释
这种划分看上去很合理，但是三种信息直接分别预测最终结果然后再平均有点草率
感觉可以结合Temporal Difference，维护一个多粒度运动场（Multi-Level Motion Field），迭代式更新关节的预测（补全）