[链接](https://arxiv.org/pdf/1701.04769.pdf）
本主要贡献：
1.从网络数据发现concept相关的概念，删除某些杂乱的概念 2.一个concept-based的图片表示方法 3. RED数据集 包含稀少的事件，21个种类，7000张图片，更有挑战性。
Approaches
3.1. Event Concept Discovery
为图片生成一个简短的表示
从维基上挑选150 generic social events 每个events从flicker上挑选200张图片 收集这些图片的tag ，tag的分割
通过谷歌的数据集，为每个event选择20个最近的neighbor
将谷歌和flicker的segments结合
最终有856个event concepts,Concept不仅包含物体，场景和动作，也包含下属的events和他们的类型
3.2. Training Concept Classifiers
比起直接用深度CNN feature把图片分到对应的events类中用有限的训练数据，我们的方法要好。
3.3. Predicting Concept Scores for Classification
总体的准确率要高
不了解的概念
训练方法较传统方法有何区别？ One shot learning？ word2vec space？ Unseen event catogories ？
