本文盘点所有CVPR 2020 动作识别（Action Recognition ）相关论文，该方向也常被称为视频分类（Video Classification ）。从后面的名字可以看出该任务就是对含人体动作的视频进行分类。
（关于动作检测、分割、活动识别等方向将在后续文章整理）
该部分既包含基于普通视频的动作识别，也包含基于深度图和基于骨架的动作识别。
因为视频既包含空域信息，又包含时域信息，所以时空信息的融合、特征提取是该领域的重要方向。
因为视频往往数据量大，信息冗余，是典型的计算密集型任务,以往的方法往往（如3D CNN）计算代价很高，提高（训练/推断）速度也是不少论文研究的方向。
特别值得一提的是斯坦福大学、MIT、谷歌发表的两篇基于视频的无监督表示学习，不仅可用于动作识别，其可以看作为通用的视觉特征提取方法，相信会对未来的计算机视觉研究产生重要影响。
大家可以在：
http://openaccess.thecvf.com/CVPR2020.py
按照题目下载这些论文。
如果想要下载所有CVPR 2020论文，请点击这里：
CVPR 2020 论文全面开放下载，含主会和workshop
动作识别（Action Recognition）
细粒度动作识别的多模态域适应技术，使用RGB与光流数据，解决动作识别在不同数据集上训练和测试性能下降的问题。
Multi-Modal Domain Adaptation for Fine-Grained Action Recognition
作者 | Jonathan Munro, Dima Damen
单位 | 布里斯托大学
时间金字塔网络（TPN）用于动作识别，可方便“即插即用”到2D和3D网络中，显著改进动作识别的精度。
Temporal Pyramid Network for Action Recognition
作者 | Ceyuan Yang, Yinghao Xu, Jianping Shi, Bo Dai, Bolei Zhou
单位 | 香港中文大学；商汤
代码 | Temporal Pyramid Network for Action Recognition
主页 | https://decisionforce.github.io/TPN/
提出motion excitation (ME) 模块 和 multiple temporal aggregation (MTA) 模块用于捕获短程和长程时域信息，提高动作识别的速度和精度。
TEA: Temporal Excitation and Aggregation for Action Recognition
作者 | Yan Li, Bin Ji, Xintian Shi, Jianguo Zhang, Bin Kang, Limin Wang
单位 | 腾讯；南京大学；南方科技大学
提取视频特征往往需要计算密集的3D CNN操作，该文发明一种 Gate-Shift Module (GSM) 模块利用分组空间选通方法控制时空分解交互，大大降低了视频动作识别算法复杂度。
Gate-Shift Networks for Video Action Recognition
作者 | Swathikiran Sudhakaran, Sergio Escalera, Oswald Lanz
