Approximated Bilinear Modules for Temporal Modeling
文章来自ICCV2019，做的视频的行为识别。
作者说两个问题：
1.时间上的线索都是精细颗粒度的。
2.序列模型需要推理。
对此，作者提出：
1.一个近似双线性的操作，并起可以reusing pretrained parameters.（第一次读到这里，其实不明白和精细颗粒度有什么关系，后面有解释。。。）
2.将帧特征分为静止和动态的两种，提高效率（思考一下，分成两种就比较高效，这种高效潜藏一种推理。）
看一下为什么双线性操作可以解决fine-grained问题：
这里给出的原因就是在 细分类任务当中，这个双线性操作很有用，所以我们可以用这种方法来捕捉这种精细的信息。
记下来就是第二个点，这个推理是不是我自己猜测的那样呢？答案是否定的。
先翻译翻译：
“VQA是一个需要文理和视觉推理的任务，当前最先进的技术解决这类办法就是双线性模型，所以这就启发我们去用双线性模型来做时间序列的推理。”
嗯。。。。
好像也没毛病？
不过看到这里还是好奇具体操作是啥？会不会和普通的双线性有什么区别？还是有期待在里头。
相关工作中再次提到将双线性操作融入到普通的卷积当中。
我们来看看怎么做的，先看传统的双线性：
上述过程就很清晰明了，两个向量直接做外积，会得到一个矩阵，拉成向量，最后再权重映射，搞定。
那么本文是如何近似的呢？看下面的定义：
就是拆解一下，先做两个映射，然后对应元素相乘，最后再映射。
一个很妙的解释：
利用约束去除ｙ的影响，加入非线性就是两层的多层感知机，相当于ＡＢＭ是对感知机的推广，感知机是ＡＢＭ的特例，这种解释特别招人喜欢。
操作清楚了，接下来就简单了，因为是时间序列嘛，怎么双线性呢？可以相邻两个做（ＡＢＭ－Ｓ），也可以相邻好几个拼在一起做（ＡＢＭ－Ｃ），还可以把每一帧的内容分为静态和动态之后拼接去做。前两个好理解，第三个怎么说呢？
先看这个假设：
完了之后去除静态信息，就是保留一份静态信息，因为假设三份信息是相同的，那只保留中间的，前后的只保留动态信息。
到这里，如何在序列里用双线性其实已经结束了。
但前面提到过，还有一个reusing pretrained parameters.
这个到底怎么弄呢？
先回忆一下前面讲过的，多层感知机那个约束，放开加了的约束就是双线性，那保留之前的权重，再加一个结构相同的模块，然后对应元素相乘，最后继续操作就是了。这个思路我觉得是我没想到，且有意思的地方。
这也解释了作者为什么要和感知机联系起来，并且解释约束
视频帧抽取的技巧吧算是，先切割，完了每部分取一个，作者认为这样损失信息太多，那就在每一部分多取几张：
