Tag · 8 篇
动作识别
VideoNet：面向领域特定动作识别的大规模数据集
VideoNet: A Large-Scale Dataset for Domain-Specific Action Recognition
提供了一个覆盖38个领域、1087类动作的视频动作识别基准与近50万视频问答对训练集，可用于评测和微调VLM的细粒度动作理解与少样本能力，并揭示当前VLM在领域特定动作上的显著短板。
从极性看运动：面向事件相机动作识别的极性知识增强框架
Seeing Motion Through Polarity for Event-based Action Recognition
把事件相机的正负极性显式解耦为运动线索，并用大语言模型对极性诱导的运动动态做语义推理，再与视觉特征对齐；这套『极性分支+语言推理+跨模态对齐』的做法可迁移到任何事件流或高动态场景的时序理解任务。
SMV-EAR：将时空多视图表征学习引入高效事件相机动作识别
SMV-EAR: Bring Spatiotemporal Multi-View Representation Learning into Efficient Event-Based Action Recognition
把事件流沿 H/W 轴投影成平移不变的稠密多视图表征，并用双分支动态融合建模样本级互补性，这套 SMVRL 设计可直接迁移到任何需要从稀疏异步事件中提取时空特征的视觉任务（如事件相机上的检测、跟踪、姿态估计）。
SHands：面向医学训练的手术手势与错误识别的多视角数据集与基准
SHands: A Multi-View Dataset and Benchmark for Surgical Hand-Gesture and Error Recognition Toward Medical Training
提供带帧级手势基元标注与错误类型分类体系的多视角手术视频，并给出单视角/多视角/跨视角泛化三种评测协议，可直接用于检验多视角融合与跨视角域泛化方法在细粒度手部动作识别上的表现。
面向高效视频无监督域自适应的可学习运动聚焦 Token 化
Learnable Motion-Focused Tokenization for Effective and Efficient Video Unsupervised Domain Adaptation
把视频帧切成 patch token 后学习丢弃低运动、冗余的背景 token，只保留运动丰富的动作相关 token 再做域自适应——这个可学习 token 选择模块可以直接插到任何视频 Transformer 的域自适应或高效推理流程里，用来同时压掉背景域偏移和计算量。
DETACH：面向外视角视频与环境传感器的分解式时空对齐与分阶段学习
DETACH : Decomposed Spatio-Temporal Alignment for Exocentric Video and Ambient Sensors with Staged Learning
论文把外视角视频分解为空间与时序分量，并用在线聚类把环境传感器的隐式通道激活转成显式空间原型，从而建立跨模态空间视觉定位；这套「分解+原型视觉定位+加权对比」的流程可直接迁移到视频-音频、视频-IMU 等跨模态时序对齐任务，尤其是需要抑制假负样本的细粒度时序对齐场景。
CHIRP数据集：面向野外鸟类种群的长期、个体级行为监测
CHIRP dataset: towards long-term, individual-level, behavioral monitoring of bird populations in the wild
提供了一个面向野外鸟类长期行为监测的多任务数据集（CHIRP）和基于彩色腿环分割分类的个体重识别流程（CORVID），其应用导向评测（如取食率、共现率）为视觉模型在真实生态场景中的效用评估提供了可借鉴的范式。
动作基元：人体运动的自监督分层表示
Action Motifs: Self-Supervised Hierarchical Representation of Human Body Movements
把 3D 人体姿态序列切成变长片段、每段压成一个潜变量词元，再用掩码词元预测自监督地学出可复用的动作基元（Action Motifs），这种分层潜变量 Transformer 可直接迁移到动作识别、运动预测与运动插值的表征预训练中。