长尾时间动作分割与组内时间逻辑调整
原文中文，约200字，阅读约需1分钟。发表于：。本研究针对程序活动视频中长尾动作分布的问题，提出了一种新颖的组内时间逻辑调整（G-TLA）框架，以解决现有时间动作分割方法未能有效识别长尾动作的局限。通过结合组内软max公式，利用活动信息和动作顺序进行逻辑调整，显著提升了对尾部动作的分割能力，同时不影响头部动作的表现。
本文提出了一种半监督学习方法，用于在工程视频中发现行动并将其分段。该方法在少量有标签数据和大量无标签数据的情况下进行任务，并引入了两个新的损失函数和自适应边界平滑方法。通过三个基准测试的评估，结果表明该方法显著提高了行为分割性能，并在使用少量标记数据（5％和10％）的情况下取得了与全监督相当的结果。
