文章地址：https://rohitgirdhar.github.io/ActionVLAD/
代码地址：https://github.com/rohitgirdhar/ActionVLAD/

该文章由CMU、Adobe、法国国立计算机及自动化研究院联合提出，被CVPR2017收录。

该文章的创新点在于将vlad使用到动作分类任务上，而该文章中使用的VLAD是由文章《NetVLAD: CNN architecture for weakly supervised place recognition》提出（该文章发表在CVPR2016上）的可训练VLAD层基础上的扩展。所以下面先来介绍一下VLAD。

一、传统的VLAD

假设现在有特征维度为$N\ast D$，其中N表示特征的个数，D表示一个特征的维度。
VLAD的计算流程如下：

1. 对全部的特征$N\ast D$进行K-means聚类，获得K个聚类中心，记为$C_k$
2. 通过以下公式，将$N\ast D$的特征转为shape为$K\ast D$的特征，公式如下：
   $V(j,k)={\sum }_{i=1}^N{a}_k(x_i)(x_i(j)-c_k(j)),k\in K,j\in D$
   公式中$x_i$表示第i个局部特征，$c_k$表示第k个聚类中心，$x_i$和$c_k$都是D为向量。$a_k(x_i)$表示符号函数，如果$x_i$不属于聚类中心$c_k$，$a_k(x_i)=0$；如果$x_i$属于聚类中心$c_k$，$a_k(x_i)=1$。

从上式中，可以看出最终的$V(j,k)$特征是所有原始特征与聚类中心的差值，可以理解为是去除了特征本身的特征分布差异，只保留了局部特征与聚类中心的分布差异。

二、NetVLAD层

由上面所说，VLAD里面存在符号函数所以为了能将VLAD融入网络的训练中，需要将公式中的符号函数$a_k$从hard assignment改为soft assignment，公式如下：
$\overline{a_k}(x_i)=\frac{e^{-\alpha ||x_i-c_k|{|}^2}}{{\sum }_{k^{\prime }}{e}^{-\alpha ||x_i-c_{k^{\prime }}|{|}^2}}$

将上面公式展开，可以将分子分母的$e^{-\alpha ||x_i|{|}^2}$抵消，得到下面公式：
$\overline{a_k}(x_i)=\frac{e^{w_k^T{x}_i+b_k}}{{\sum }_{k^{\prime }}{e}^{w_{k^{\prime }}^T{x}_i+b_{k^{\prime }}}}$
其中，$w_k=2\alpha c_k$, $b_k=-\alpha ||c_k|{|}^2$

所以NetVLAD用公式表示如下：
$V(j,k)={\sum }_{i=1}^N\frac{e^{w_k^T{x}_i+b_k}}{{\sum }_{k^{\prime }}{e}^{w_{k^{\prime }}^T{x}_i+b_{k^{\prime }}}}(x_i(j)-c_k(j))$

说明：NetVLAD中的符号同传统的VLAD

三、ActionVLAD

ActionVLAD用公式可以表示如下：
$V[j,k]={\sum }_{t=1}^T{\sum }_{i=1}^N\frac{e^{-\alpha ||x_{it}-c_k|{|}^2}}{{\sum }_{k^{\prime }}{e}^{-\alpha ||x_{it}-c_{k^{\prime }}|{|}^2}}(x_{it}[j]-c_k[j])$

上式中T表示总帧数，$t\in 1,...,T$。N表示每帧图片提取出的特征数量空间维度(例如，一张图片经过网络后空间大小为$25\times 25$，那么N=625)，$i\in 1,...,N$。

从ActionVLAD的公式可以很明显的看出是NetVLAD在时序上的扩展。

四、ActionVLAD网络

ActionVLAD网络如下图所示：

从上图可以看出：

1. action vlad网络采用1了rgb和光流两种流
2. actionvlad层可以很自然的作为一层融入到网络中去

到这里ActionVLAD网络原理基本介绍完毕，对于ActionVLAD层应该放在哪个位置，具体效果如何，可以看文章的一些消融实验。