摘要

本技术报告在文献[9]所提出工作的基础上进行了更深入的实验拓展。在文献[9]中，我们针对长期视频理解问题展开研究，该问题需要基于当前以及过去或未来的观测信息进行推理，并引出了一系列基础性科学问题：时序或序列关系应如何建模？需要处理多大时间范围的信息与上下文？这些信息应在何种时间尺度上进行提取？文献[9]通过一种灵活的多粒度时序聚合框架，对上述问题进行了系统性回答。在本报告中，我们进一步在不同任务及一个新的数据集EPIC-KITCHENS-100上，对该框架进行了扩展性实验，验证其在更广泛场景下的有效性与泛化能力。