LSTM

视频分解成图片帧分别进行特征提取，最后把提取到的特征放到LSTM网络里提取时序信息。

3D-ConvNet

把一组图片帧作为一个整体输入到3D卷积网络中，由于多了一个维度，参数变得多，模型变深，但当时没有大量的视频数据训练该模型，所以导致该模型的表现并不好。

Two stream

顾名思义，双流即把视频分成两个数据流来处理。一个空间流：单纯的单张图片或多张图片组成的序列，一个时间流从视频中提取出来的光流信息。
前者负责提取场景信息，后者负责提取视频中的时序信息。二者都用2D卷积网络来提取特征，之后对于结果进行加权平均。
需要注意的是：由于视频处理成光流信息之后，光流信息本身就相当于是一种对于视频中运动序列的特征表示，所以在该网络中就没有专门用来处理时序信息的部分。

3D-Fused Two stream

在Two stream的基础上把加权平均的部分换成一个较简单的3D-CNN来处理。不同的是Two stream是把分类结果进行加权，而3D-CNN是将提取出来的特征作为输入，直接预测分类结果。

Two stream 3D-ConvNet

在Two stream的基础上把2D-CNN替换成3D-CNN，前提是有足够多的数据来训练模型。