在论文《SlowFast Networks for Video Recognition》中，FAIR 何恺明等人介绍了用于视频识别的 SlowFast 网络，提出要分开处理空间结构和时间事件。该模型包含：1）一个以低帧率运行、用来捕捉空间语义的 Slow 路径；2）一个以高帧率运行、以较好的时间分辨率来捕捉运动的 Fast 路径。在视频动作分类及检测方面性能强大：研究人员在没有使用任何预训练的情况下在 Kinetics 数据集上实现了 79.0% 的准确率，远远超过此类问题的之前最佳水平；在 AVA 动作检测数据集上也实现了 28.3 mAP 的当前最佳水准。