摘要
由于边界模糊和过度分割问题，从长时未剪辑视频中准确识别所有片段仍具挑战性。为应对上述问题，本文提出一种高效的两阶段网络（Efficient Two-Step Network, ETSN），包含两个核心组件。第一阶段为高效时序系列金字塔网络（Efficient Temporal Series Pyramid Networks, ETSPNet），该网络能够同时捕捉局部与全局的帧级特征，并提供精确的分割边界预测。第二阶段提出一种新颖的无监督方法——局部Burr抑制（Local Burr Suppression, LBS），可显著减少过度分割错误。在50Salads、GTEA和Breakfast等多个基准数据集上的实证评估表明，ETSN在性能上大幅超越当前最先进的方法。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| action-segmentation-on-50-salads-1 | ETSN | Acc: 82.0 Edit: 78.8 F1@10%: 85.2 F1@25%: 83.9 F1@50%: 75.4 |
| action-segmentation-on-breakfast-1 | ETSN | Acc: 67.8 Average F1: 66.4 Edit: 70.3 F1@10%: 74.0 F1@25%: 69.0 F1@50%: 56.2 |
| action-segmentation-on-gtea-1 | ETSN | Acc: 78.2 Edit: 86.2 F1@10%: 91.1 F1@25%: 90.0 F1@50%: 77.9 |