视频检测分类常用于视频分类，目标行为检测。本博客详细的介绍目前常用的基于深度学习的视频检测分类方法，分别从不同的方法出发详细的介绍各种基于深度学习的视频检测分类方法。
视频中常常有RGB图像信息、运动光流信息Flow和声音信息Audio，如图所示为不同信息在视频分类中占的权重，根据这些信息分别采用不同的深度卷积神经网络识别方法。
图1 不同信息在视频分类中占的权重
1、基于彩色序列图像的视频检测分类
该方法主要是把彩色序列图像放入CNN网络中，最后经过Softmax层输出视频分类结果。
图2 基于彩色序列图像的视频检测分类
其它的学者根据这个研究使用什么样的卷积神经网络，多少张图像序列，层与层之间的网络如果交互。如图提出一种stack of recurrent sequence models (LSTMs)交互模型，最后采用权重累加。
图3 LSTMs应用于视频分类
不同的网络：
图4 多示例学习用于视频分类
参考文献：
1、Multimodal Keyless Attention Fusion for Video Classification
2、Sequential Deep Learning for Human Action Recognition
3、Long-term Recurrent Convolutional Networks for Visual Recognition and Description
4、Deep Multiple Instance Learning for Image Classification and Auto-Annotation
