摘要

在视频中识别并时间分割细粒度的人类动作对于机器人技术、监控、教育等领域至关重要。传统的解决方法通常将这一问题分解为两个步骤：首先从视频帧中提取局部时空特征，然后将其输入到一个能够捕捉高层次时间模式的时间分类器中。我们引入了一种新的时间模型类别，称为时间卷积网络（Temporal Convolutional Networks, TCNs），该模型通过层次化的时序卷积来执行细粒度的动作分割或检测。我们的编码器-解码器TCN利用池化和上采样高效地捕捉长距离的时间模式，而我们的膨胀TCN则使用膨胀卷积。我们展示了TCNs能够捕捉动作组合、片段持续时间和长距离依赖关系，并且训练速度比竞争的基于LSTM的循环神经网络快一个数量级。我们将这些模型应用于三个具有挑战性的细粒度数据集，并显示了相对于现有技术的巨大改进。