从车内人员的角度来看，如何将给定的图像（视频）序列分类为移动或静止？

下面是 12 个动画图像序列的示例。

1. 从车内人的角度出发。

2. 从车内人的角度保持静止。

我试图实现的方法：

1. 一个简单的 CNN（带有 2d 卷积），这 12 张图像（灰度）堆叠在通道维度中（如 Deepmind 的 DQN）。CNN 的输入是(batch_size, 200, 200, 12).

2. 具有 3d 卷积的 CNN。CNN 的输入是(batch_size, 12, 200, 200, 1).

3. CNN+LSTM（时间分布的二维卷积）。神经网络的输入是(batch_size, 12, 200, 200, 1)。

4. 后期融合方法，即从序列中提取相隔一定时间步长的 2 帧，并将它们分别传递到 2 个 CNN（具有相同权重）中，并将它们连接到一个密集层中，如本文所述。这也类似于没有 LSTM 部分的 CNN+LSTM。该网络的输入是(batch_size, 2, 200, 200, 1)-> 2 个图像是序列中的第一帧和最后一帧

我尝试的所有方法都未能实现我的目标。我尝试调整各种超参数，例如学习率、CNN 层中的过滤器数量等，但没有任何效果。

所有方法的 abatch_size为 8（由于内存限制）并且所有图像都是灰度的。我在最后一层使用 ReLU 进行激活和 softmax。没有使用池化层。

关于我的方法为什么失败的任何帮助或任何指向相关工作的指针