论文提出了将sequence to sequence 模型应用到video to text任务上，解决了video to text的变长问题。
之前解决变长问题的方法有1.将视频整体表示 2.缩成关键帧 3.下采样值固定的帧数。
模型结构
image
images.jianshu.io/upload_images/6656144-50c9e679e4561b4c.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)
第一层输入：
1.用ILSVRC-2012预训练的CNN模型提取图像的特征作为每个时刻的输入，生成500维的特征向量
2.将帧间的光流图作为每个时刻的输入，生成500维的特征向量
第二层输入：
在encoding阶段没有遇到起始符之前，0作为输入，decding阶段前一个时刻的输出作为输入。
LSTM后加softmax输入词
训练与测试：
将LSTM的设为固定的80个timestep（显存不够），10帧中采样1帧，不够长的视频用0补齐。
测试时不限制长度，视频帧逐帧进入模型。
测试结果=视频图像与光流图预测结果的加权。
