引言：</在视频数据分析中，3D卷积与2D卷积的较量一直是研究热点。尽管3D卷积理论上能同时捕捉空间和时间信息，但究竟哪个更胜一筹？作者通过ResNet-152与C3D的对比揭示了一个意外的事实：在某些情况下，2D卷积可能更具优势。我们深入剖析了这一发现，并探索了如何通过创新的P3D网络来解决计算瓶颈问题。
挑战与突破：</尽管C3D以3D卷积著称，但其受限于计算量和参数量，仅有11层却有321M的模型大小。作者质疑，这是否限制了其特征提取能力。为解决这个问题，他们借鉴了InceptionNets的非对称卷积思路，将3D卷积分解为一个2D空间卷积和一个1D时间卷积，这样既能保持提取能力，又能大大减少参数。
P3D ResNet的设计：</在实践中，作者设计了多种P3D Bottleneck Blocks，如图2所示，分别测试了串联、并联及同时影响输出的连接方式。经过严格的实验，他们发现串联结构（P3D-A和P3D-C）在时空信息融合上表现更优，验证了时间特征和空间特征的有效融合。
实验与结果：</基于ResNet-50，作者构建了P3D-A、B、C和混合结构P3D ResNet，如图5所示。实验结果显示，P3D ResNet在增加少量参数的情况下，显著提升了准确率，且多样性结构的P3D ResNet表现最优，如图4所示。
实证分析：</作者在Sports-1M数据集上进行了严谨的训练，尽管存在部分失效的url，但结果依然令人瞩目。通过数据增强策略和可视化，如图6和图7，展现了网络学习到的特征分布，进一步证实了P3D网络的有效性。