video-classification-3d-cnn-pytorch

收录理由

视频理解比图像分类要棘手得多，这个项目把最实际的那部分直接打包好了：预训练的3D ResNet权重，还有效果更好的ResNeXt版本，都是在Kinetics的400个动作类别上训练出来的，拿自己的视频跑推理就行，完全不用从头训练。它提供两种常见用法：score模式按每16帧给一个类别标签和置信度，适合动作识别或视频打标签；feature模式则输出512维的全局池化特征，方便接下游分类器或做检索。对研究者来说，这套代码也清晰展示了时空卷积网络的参考实现。不过要注意，它基于较早的PyTorch和CUDA环境，想在当前版本里跑起来，可能需要花点功夫做适配。