第一视角视频

视觉-语言对齐辅助的原型动作推理用于第一视角动作预测

Prototypical Action Reasoning Facilitated by Vision-Language Alignment for Egocentric Action Anticipation

将无约束的时序预测转化为由视觉-语言模型学到的解耦动词/名词原型引导的条件预测，这一「语义锚点+原型检索」思路可迁移到其他高不确定性的时序预测任务（如轨迹预测、事件预测）。