CoFInAl：利用粗到细的指令对鉴定行动质量进行增强
内容提要
近年来，视频行为质量评估（AQA）受到关注。为了解决现有方法忽视行为阶段特征的问题，提出了多阶段对比回归（MCoRe）框架，能够有效提取时空信息并降低计算成本。MCoRe在多个AQA数据集上表现优异，展示了先进的性能。此外，研究还探讨了知识转移和多任务学习对AQA的提升效果。
延伸解读
阶段级建模：AQA 的新视角
现有视频行为质量评估方法通常将整个视频作为输入，忽略了行为内在的阶段结构。MCoRe 框架通过将视频分割成多个阶段或过程，显式地建模阶段级特征，从而更细致地捕捉动作质量。这种思路不仅提升了评估的准确性，还通过分阶段处理降低了计算成本，为 AQA 任务提供了新的解决方向。
对比学习在阶段特征中的应用
受图形对比学习启发，MCoRe 引入了阶段对比学习损失函数，旨在增强阶段特征的判别力。通过对比不同阶段的表示，模型能够更好地区分动作质量的细微差异。这一设计在多个精细化 AQA 数据集上取得了最先进的结果，表明对比学习在阶段级 AQA 任务中具有潜力。
知识转移与多任务学习的增益
文章探讨了知识转移和多任务学习对 AQA 的提升效果。知识转移通过跨多个动作学习单一模型，利用合并样本提高性能；多任务学习则联合细粒度动作识别、评注生成和 AQA 值评估，优于单任务方法。这些策略表明，利用相关任务和动作间的共性信息，可以进一步推动 AQA 性能。
Q&A
什么是视频行为质量评估（AQA）？
视频行为质量评估（AQA）是对视频中行为质量进行评估的技术，近年来受到越来越多的关注。
多阶段对比回归（MCoRe）框架的主要优势是什么？
MCoRe框架能够有效提取时空信息，并通过将输入视频分割成多个阶段来降低计算成本。
MCoRe在AQA数据集上的表现如何？
MCoRe在多个AQA数据集上表现优异，展示了先进的性能。
现有的AQA方法存在哪些不足之处？
现有方法通常考虑整个视频，忽视了行为的内在阶段特征。
知识转移和多任务学习如何提升AQA的效果？
研究探讨了知识转移和多任务学习对AQA的提升效果，表明可以提高性能。
MCoRe框架是如何处理视频的？
MCoRe框架通过将输入视频分割成多个阶段或过程来处理视频，从而提高效率。
