通常可以從兩個方面減少視頻分類任務的時間，一是通過減少網絡結構計算量，二是通過減少推理時如何結合每個clip通過網絡得到預測；本文使用第二種方法
爲了減少推理時的計算量，根據本身一個常規的clip特徵提取網絡(會比較重量級，用於提取動作細節)，再設計一個對應的輕量級的clip特徵提取網絡(用於提取背景變化)，還有一個用來以推理時視頻裏的每個clip經過不同網絡後的特徵作爲輸入的RNN來對於視頻進行最終的分類預測結果輸出(用於學習不同網絡最終輸出特徵之間的時間結構)；
與LRCN的比較：網絡結構上類似於CNN+RNN構成的LRCN，只不過現在的CNN用於提取clip特徵，LRCN的CNN提取的爲每個frame的特徵
視頻分類網絡研究：1.3D卷積變換 2.在3D卷積上做修飾(爲了學習全局信息) 3.多流模型(RGB,flow,etc.)
結合CNN產生的特徵的方法：
FAST-GRU與GRU：GRU的hidden unit(activation or state)通常爲一維向量，FAST-GRU允許shape爲(l,h,w,c)的特徵爲hidden unit，從而能夠更好的對CNN的輸出進行建模(比GRU多包涵了時間空間信息)；FAST-GRU將GRU中的權重與特徵相乘改成了對特徵進行1x1x1的卷積(允許feature gating，相當於多了個attention)；FAST-GRU在read gate和update gate的計算中在concat之後多加了個1x1x1卷積用於減少參數，增加非線性(思想與bottleneck類似)，再通過一個1x1x1卷積恢復到原來的channel，後面再跟一個RELU(1x1x1卷積也相當於允許更多的feature gating)
其他還包括上圖中的concat,LSTM,GRU,以及一些相關的變體
用於提取clip特徵的clip-level的網絡結構(expensive and lightweight)
採用bottleneck，R2D在conv1的temporal stride爲8，後面的卷積操作的temporal stride均爲1，相當於2D卷積