SlowFast（ICCV19）が固定的な時間サンプリングを行っていたのに対して、本研究は適応的に時間サンプリングしつつ、高時間解像度の特徴とE2Eでフュージョンする点がポイント。これをCoarse−Fine Networkと呼び、(1) 微分可能な時間サンプラー（Grid Pool）と、(2) 高時間解像度特徴とのフュージョン（Multi-stage fusion）モジュールで実現している。

映像認識のデータセット（Charades、MultiTHUMOS）でSoTAを達成しつつ、高速化も実現（従来比75倍）。

https://github.com/kkahatapitiya/Coarse-Fine-Networks