视频动作识别是计算机视觉领域的一项基本任务，在自动驾驶、视频监控和娱乐等应用中至关重要。由于视频数据的高维性和复杂的时间依赖性，动作识别的难度很大。
近年来，卷积神经网络（CNN）在图像和视频识别任务中取得了突破性进展。CNN是一种深度学习算法，它通过利用图像或视频中的局部模式来学习特征。这种层次特征表示能力使CNN能够有效地捕捉视频中动作的时序和空间信息。
为了处理视频数据的时序维度，研究人员开发了3D卷积神经网络（3D CNN）。3D CNN在空间维度和时间维度上都进行卷积，从而能够提取动作的3D表示。这使得3D CNN在视频动作识别任务中比传统2D CNN具有显著的优势。
光流是描述视频中物体运动的信息。光流卷积神经网络（FlowNet）通过融合光流信息和RGB图像信息来学习视频动作特征。FlowNet能够捕捉运动的细微变化和细节，从而提高动作识别的精度。
随着CNN的不断发展，研究人员提出了各种创新算法来进一步提升视频动作识别的性能。这些算法包括：
动作骨架识别算法旨在从视频中提取人体动作的骨架结构。通过学习骨架关键点的位置和运动，算法可以有效地识别复杂的动作。
时序注意力机制可以让模型关注视频中重要的时刻。通过对动作的不同帧赋予不同的权重，注意力机制可以增强算法对关键动作帧的
