Tag · 4 篇

第一人称视觉

分布数据集与评测2视觉语言模型1人脸与人体理解1

OpenMarcie: Dataset for Multimodal Action Recognition in Industrial Environments

提供了大规模多模态工业动作识别基准，可用于评测第一人称/第三人称视频中的动作分类、开放词表描述和跨模态对齐方法，推动真实制造场景下的视觉-可穿戴信号融合研究。

OSMO: Open-vocabulary Self-eMOtion Tracking

OSIRIS 把用户个人情绪历史、当前表情与第一人称视觉观测一起作为多模态大模型的输入做时序推理，这种「历史状态 + 当前观测」的上下文建模方式可迁移到需要连续状态跟踪的视觉任务（如行为/事件跟踪、个性化助手）；OSMO 的逐被试情绪时间线标注协议也为构建连续标签的多模态数据集提供参考。

Egocentric Visibility-Aware Human Pose Estimation

针对第一人称视角下关键点不可见问题，提出显式建模可见性信息的方法，并构建带可见性标注的大规模数据集，为遮挡/不可见场景下的姿态估计提供可复用思路与评测基准。

EgoXtreme: A Dataset for Robust Object Pose Estimation in Egocentric Views under Extreme Conditions

该数据集为第一人称视角下的 6D 物体姿态估计提供了极端条件（严重运动模糊、动态光照、烟雾遮挡）下的评测基准，可用于检验现有泛化姿态估计器的失效模式，并推动时序信息利用与鲁棒性方法的研究。