摘要

弱监督时间动作定位（Weakly-supervised Temporal Action Localization, WTAL）旨在仅使用视频级别的标签，对未剪辑视频中的动作进行定位。当前大多数方法从“分类驱动定位”的视角出发，即先对视频中的每一帧进行分类，再通过人工设计的后处理流程将帧级预测结果聚合为动作片段。然而，由于这一范式限制，模型缺乏对动作边界显式的理解，往往仅关注视频中最具判别性的局部区域，导致动作定位不完整。为解决上述问题，本文提出 PivoTAL（Prior-driven Supervision for Weakly-supervised Temporal Action Localization），从“定位驱动定位”的新视角出发，直接学习动作片段的定位。为此，PivoTAL 利用视频中固有的时空规律，引入三类先验知识：特定动作的场景先验（action-specific scene prior）、动作片段生成先验（action snippet generation prior）以及可学习的高斯先验（learnable Gaussian prior），以指导基于定位的训练过程。实验结果表明，PivoTAL 在基准数据集 THUMOS-14 和 ActivityNet-v1.3 上均显著优于现有方法，平均mAP提升至少3个百分点，展现出强大的性能优势。