两流体系结构在视频分类任务中显示出强大的性能。 关键思想是通过在空间和时间上融合卷积网络来学习时空特征。 但是，这种体系结构中存在一些问题。 首先，它依靠光流对时间信息进行建模，而时间信息的计算和存储通常很昂贵。 其次，它捕获视频数据的详细信息和本地上下文信息的能力有限。 第三，它缺乏明确的语义指导，大大降低了分类性能。 在本文中，我们提出了一种基于两流的新视频分类框架，以仅从RGB帧，多尺度金字塔注意（MPA）层和语义对抗学习（SAL）模块中发现时空信息。被引入并集成到我们的框架中。 MPA使