What did authors try to accomplish?
本文将步态动作看作是一系列步态信息的集合，即步态的识别只跟集合内所包含的特征有关，而和特征的序列信息无关。
What were the key elements of the approach?
Set Pooling
本文设计了一种set pooling来将视频片段中每一帧的特征归纳到一个集合中，然后通过pooling的方法，将集合中所有的帧的特征进行融合。即输入维度为（n,c,h,w)，其中n表示帧数，c表示通道数，h表示高度，w表示宽度，而输出维度为（1，c，h，w）。Pooling具体的实现方法有max(·），mean(·），median(·）三种，而本文中使用两种joint functions：
G(·）=max(·)+mean(·)+median(·)
G(·）=1_1C(cat(max(·),mean(·),median(·)))
其中1_1C表示1x1 convolutional layer.同时，本文还加入了attention机制，来让网络学习到集合中真正影响最终检测结果的元素。
Horizontal Pyramid Mapping
为了保留feature map的空间信息，同时保留了local 和global信息，本文提出了horizontal pyramid mapping的方法。在h的维度上，分别按照（1，s)的规模将feature map进行切分，总共会得到个片段，对每一个片段进行maxpooling和averagepooling，并将它们进行相加，最后拼在一起，就成为了最终的feature map。
What can you use youself？
1.忽视序列的顺序信息，将步态序列视为一个集合的做法，将关注重点放在每一个pose的关键点上，从而提取出真正影响检测效果的特征。
2.使用horizontal pyramid mapping的方法，保留了local和global的信息。
