人类中心视频中基于知识引导的短上下文动作预测
原文中文，约300字，阅读约需1分钟。
📝
内容提要
AVT是一种基于注意力机制的视频建模架构，能够预测未来的动作。AVT在保持观察到的动作的时序进展的同时捕捉了长时间的依赖性，达到了最佳性能，并在EpicKitchens-100 CVPR'21挑战赛中获得了第一名。
🏷️
