摘要

在长时间未剪辑视频中定位和分类动作片段对于许多应用（如监控和机器人技术）具有重要意义。传统方法通常采用两步流程，首先生成逐帧概率，然后将其输入高级时间模型。而近期的方法则利用时间卷积直接对视频帧进行分类。本文提出了一种用于时间动作分割任务的多阶段架构。每个阶段都包含一组扩张时间卷积，以生成初始预测结果，这些结果随后由下一阶段进一步优化。该架构通过结合分类损失和我们提出的平滑损失进行训练，后者旨在惩罚过度分割错误。广泛的评估表明，所提出的模型在捕捉长距离依赖关系和识别动作片段方面表现出色。我们的模型在三个具有挑战性的数据集上取得了最先进的结果：50Salads、Georgia Tech Egocentric Activities (GTEA) 和 Breakfast 数据集。