Z. Lan, et al. Deep local video feature for action recognition. CVPR'17.

由于不是视频中每帧都包含有用信息，Lan等人首先用TSN提取局部特征，之后再进行聚合。

R. Girdhar, et al. ActionVLAD: Learning spatio-temporal aggregation for action recognition. CVPR'17.

类似于NetVLAD，Girdhar等人用two-stream提取特征，之后用VLAD得到视频的表示。实验中发现，图像和光流两个分支单独处理效果最好。

C. Feichtenhofer, et al. Spatio-temporal multiplier networks for video action recognition. CVPR'17.

Feichtenhofer等人发现，two-stream网络在外观分支容易过拟合。Feichtenhofer等人加入了两个分支之间的信息交互，并发现乘性的信息交互效果最好。

G. A. Sigurdsson, et al. Asynchronous temporal fields for action recognition. CVPR'17.

Sigurdsson等人利用全连接时序CRF对视频的时序关系进行推断。