Action Tubelet Detector for Spatio-Temporal Action Localization
论文原文地址:https://arxiv.org/abs/1705.01861
任务：分析视频序列，检测某些动作发生的时空位置（起止时间和每一帧视频中的发生位置），即spatio-temporal action localization。
论文创新点:
1.推广了anchor，兼顾时空域，
2.基于1，推广SSD算法进行spatio-temporal action localization，兼带的好处就是，视频中丰富的时控信息被利用。
（如果不了解SSD的同学可以先看一下SSD）
缺点:
推广方式较为简单，有一定的问题，只适用于动作变化不剧烈的场合。
实际的网络结构如下图，这里简单描述一下，有什么问题，请及时提出，我会进行更正:
ACT-detector网络结构
1.将每一帧的视频按照时序输入到SSD网络
2.将SSD网络中的各层特征图按照STACK排列，简单说就是，将各层特征按照，同层特征横向排列，不同层特征纵向排列。这样就将各层的特征按照时序组织起来了。
3.推广anchor的概念，对于单个anchor的候选框而言，假设其候选框在较短的时间内变化不大，因此每个候选框都相当于一个立体矩形，这样的anchor被称为anchor cuboid。
4.对于每个anchor cuboid，在每个时序点上进行调整，调整的依据是STACK上的特征图，方法是根据特征图进行卷积运算，回归出对应anchor的活动（activity）的分类和相对原来anchor的坐标位置。
