研究人员开发了一种名为 B-ACT 的新主动学习框架，用于视频中的时序动作分割。该方法侧重于高效标注动作转换发生的关键边界区域，因为这些区域对于分割精度至关重要。B-ACT 根据预测不确定性优先处理未标记的视频，然后使用一种新颖的边界分数来识别和选择这些视频中最重要的过渡帧，该分数考虑了邻域不确定性、类别模糊性和时间预测动态。在 GTEA、50Salads 和 Breakfast 等数据集上的实验表明，这种以边界为中心的方法显著提高了标签效率，并且优于现有方法，尤其是在对精确边界放置敏感的数据集上。 AI
影响 通过将标注集中在关键的过渡点上，提高了视频分析任务的标签效率。
排序理由 该集群包含一篇详细介绍时序动作分割新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
