摘要
从视频序列中提取时空特征可以实现视频中动作的识别和行为的分析，使其成为自动化视频处理中的关键挑战。文献表明深度学习方法的广泛使用，特别是卷积神经网络（CNNs）。在此背景下，研究人员面临在不同架构、评估指标甚至数据集选择方面识别优势、劣势和新兴趋势的挑战。本研究旨在确定视频分析中时空特征提取中最常见的 CNN 架构、评估指标、数据集和趋势。文章的选择使用了 PRISMA 方法和乔安娜·布里格斯研究所（JBI）方法论框架。基于 Scopus、Web of Science 和 MDPI 平台数据库，并根据纳入/排除标准，对符合标准的 31 篇文章进行了分析和综合。搜索主要使用“卷积神经网络”、“视频处理”和“特征提取”作为关键词进行，将选定的作品限制为 2020 年至 2025 年底之间发表的论文。结果主要显示了四种神经网络架构的使用：2D CNNs、3D CNNs、混合模型（如 CNN–RNN、CNN–Transformer 和多流模型），以及在较小程度上的轻量级架构。确定了常用的数据集（如 UCF101 和 HMDB51）。此外，还确定了标准化的评估指标，范围从准确率和 F1 分数到每个案例研究的特定性能指标。确定的挑战主要集中在研究数据集的异质性、缺乏标准化的评估指标，以及保持准确率与计算资源消耗之间的平衡。另一方面，已经确定了使用混合模型和集成 transformer 的模型的强烈新兴趋势。本系统综述强调了需要清晰且稳健的指导方针，以便在从视频序列提取时空特征的应用中适当选择 CNN 架构、测试数据集和评估指标，以及识别趋势和未来研究方向。
