BriefGPT - AI 论文速递
·
基于增强记忆的 Transformer 的在线时态行为定位
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文提出了一种新的时间行动定位（TAL）架构，通过特征聚合和循环机制，能够捕捉长距离依赖和时间因果关系。实验证明该方法在多个基准数据集上取得了优越结果，为未来的研究奠定了基础。
🎯
关键要点
- 提出了一种新的时间行动定位（TAL）架构。
- 该架构基于选择性状态空间模型，采用特征聚合 Bi-S6 块和双向 Bi-S6 结构。
- 通过循环机制增强时间和通道依赖建模，捕捉长距离依赖和时间因果关系。
- 在多个基准数据集上进行广泛实验，验证了方法的优越性。
- 在 THUMOS-14、ActivityNet、FineAction 和 HACS 数据集上取得了最先进结果。
- 消融分析表明双向结构和循环机制优于传统方法。
- 反映了基于 S6 的模型在 TAL 任务中的潜力，为未来研究奠定基础。
➡️
