摘要

在未剪辑视频中检测动作是一项重要而具有挑战性的任务。本文提出了一种新颖的框架——结构化片段网络（Structured Segment Network, SSN），该框架通过结构化时间金字塔对每个动作实例的时间结构进行建模。在此基础上，我们进一步引入了一个分解的判别模型，该模型由两个分类器组成，分别用于动作分类和完整性判断。这使得框架能够有效地将正向提案与背景或不完整的提案区分开来，从而实现准确的动作识别和定位。这些组件被整合到一个统一的网络中，可以高效地进行端到端训练。此外，我们设计了一种简单而有效的时间动作提案方案，称为时间动作性分组（Temporal Actionness Grouping, TAG），以生成高质量的动作提案。在两个具有挑战性的基准数据集THUMOS14和ActivityNet上，我们的方法显著优于以往的最先进方法，展示了处理各种时间结构动作的卓越准确性和强大的适应性。