Key points are not available for this paper at this time.
In diesem Papier präsentieren wir ein Modell von Aktionen, das auf der Veränderung des Zustands der Umgebung basiert. Viele Aktionen weisen ähnliche Dynamiken und Hand-Objekt-Beziehungen auf, unterscheiden sich jedoch in ihrem Zweck und ihrer Bedeutung. Der Schlüssel zur Unterscheidung dieser Aktionen liegt in der Fähigkeit, zu identifizieren, wie sie den Zustand von Objekten und Materialien in der Umgebung verändern. Wir schlagen eine schwach überwachte Methode zum Lernen der Objekte- und Materialzustände vor, die notwendig sind, um alltägliche Aktionen zu erkennen. Sobald diese Zustandserkenner gelernt sind, können wir sie auf Eingangs-Videos anwenden und ihre Ausgaben zusammenführen, um Aktionen zu erkennen. Wir demonstrieren weiter, dass unsere Methode verwendet werden kann, um diskrete Aktionen aus einem kontinuierlichen Video einer Aktivität zu segmentieren. Unsere Ergebnisse übertreffen die Ergebnisse der aktuell besten Aktions-erkennung und Aktivitätssegmentierung.
Fathi et al. (Sat,) haben diese Frage untersucht.