摘要
在本文中，我们描述了参加CVPR 2017举办的ActivityNet挑战赛中时间动作提议（任务3）和时间动作定位（任务4）的提交方法。由于动作分类任务的准确性已经非常高（在ActivityNet数据集中接近90%），我们认为时间动作定位的主要瓶颈在于动作提议的质量。因此，我们主要关注时间动作提议任务，并提出了一种基于时间卷积网络的新提议模型。我们的方法在这两个任务上均达到了当前最佳性能。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| temporal-action-proposal-generation-on | Lin et al. | AR@100: 73.01 AUC (test): 64.80 AUC (val): 64.40 |