本文提出了一种新的动作检测方法，利用预训练的图像语言模型和时空上下文信息生成文本特征，解决了现有方法在未见动作类别上的泛化能力不足的问题。实验结果表明该方法在多个数据集上表现优异，有望在真实场景中推动动作检测技术的应用。
完成下面两步后，将自动完成登录并继续当前操作。
