どんなもの？
クロスモーダル知識蒸留を活用した新しい動画認識手法の提案．
先行研究と比べてどこがすごい?
知識蒸留蒸留の処理中に，RGB情報と動きの情報が必然的に絡み合う事を問題として捉え，異なるモデルを分離して学習するパイプラインを構築
技術や手法のキモはどこ？
temporal gradientの探索を，行動検出タスクで初めて行った点？
どうやって有効だと検証した？
THUMOS'14とActivityNet1.3で実験，アブレーション実験で提案したfusionモデルが有効であることを検証．またモデルの性能評価において，RGBフレームだけを入力とする手法の中ではSOTAで，いくつかの2-stream手法と比較しても性能を凌駕していた
議論はある？
固定カメラでの適用可能性は？この手法とAction Tube手法との相性が気になる
次に読むべき論文は？
知識蒸留わからん