Dall'avvento dell'architettura AlexNet nel 2012, Deep Learning e Computer Vision hanno acquisito molta importanza partendo da compiti quali classificazione di immagini fino ad arrivare a sfide più importanti e attuali legate ad esempio al dominio dei video e la classificazione di azioni. La classificazione di azioni è un problema molto ampio a sua volta diviso in sotto-compiti a seconda del tipo e della granularità dell'informazione che si vuole estrarre dal video. Nonostante questa sia attuale un'attiva area di ricerca, la maggior parte degli sforzi sono spesi nel migliorare l'accuratezza di tali modelli piuttosto che la loro efficienza. In particolare, il processamento real-time è essenziale per applicazioni come la video sorveglianza e la guida autonoma; questo porta alla definizione di un compito specifico: Online Action Detection.