摘要

近年来，动作分割作为构建自动系统以理解未剪辑视频的一个重要里程碑，受到了广泛关注。尽管通常将其建模为序列标注问题，但与文本解析或语音处理相比，动作分割具有内在且显著的区别。在本文中，我们介绍了一种新颖的混合时间卷积和递归网络（TricorNet），该网络采用了编码器-解码器架构：编码器由多层时间卷积核组成，能够捕捉不同动作的局部运动变化；解码器则由多层递归神经网络构成，在编码阶段之后能够学习并记忆长期的动作依赖关系。我们的模型虽然简单，但在视频序列标注方面表现出极高的有效性。在三个公开的动作分割数据集上的实验结果表明，所提出的模型在性能上优于现有最佳方法。