TransRAC: ترميز الارتباط الزمني متعدد المقياس باستخدام المتحولات لعد الأفعال المتكررة

تعد عمليات العد المتكررة شائعة في الأنشطة البشرية مثل التمارين البدنية. تركز الأساليب الحالية على أداء عد الأفعال المتكررة في مقاطع الفيديو القصيرة، وهو أمر صعب عند التعامل مع مقاطع الفيديو الأطول في سياقات أكثر واقعية. في عصر البيانات، يُعزى تدهور هذه القدرة على التعميم بشكل أساسي إلى نقص مجموعات بيانات الفيديو الطويلة. لتعويض هذا النقص، نقدم مجموعة بيانات جديدة ومقياسية لعد الأفعال المتكررة تغطي مجموعة واسعة من أطوال الفيديوهات، بالإضافة إلى حالات أكثر واقعية حيث تحدث انقطاعات أو عدم اتساق في الأفعال داخل الفيديو. كما نوفر أيضًا تصنيفًا دقيقًا للدورات الفعلية بدلاً من مجرد تصنيف العد مع قيمة عددية. تحتوي هذه المجموعة من البيانات على 1,451 مقطع فيديو مع حوالي 20,000 تصنيف، مما يجعلها أكثر تحديًا. لتحقيق عد أفضل للأفعال المتكررة في سياقات أكثر واقعية، نقترح أيضًا ترميز الارتباط الزمني متعدد المقاييس باستخدام المتحولات (transformers) التي يمكن أن تأخذ بعين الاعتبار كل من الأداء والكفاءة. بالإضافة إلى ذلك، وبمساعدة التصنيف الدقيق للدورات الفعلية، نقترح طريقة تعتمد على الانحدار الخرائطي الكثافة لتوقع فترة الفعل، مما يؤدي إلى تحقيق أداء أفضل مع قابلية فهم كافية. أثبتت الطريقة المقترحة أنها تتفوق على أفضل الأساليب الحالية في جميع مجموعات البيانات وتحقق أيضًا أداءً أفضل في المجموعات غير المعروفة دون الحاجة إلى إعادة التuning (微调). مجموعة البيانات والشفرة البرمجية متاحة.注：在最后一句中，“微调”是一个中文术语，不是原文中的英文术语。因此，这里直接使用了“fine-tuning”的英文形式，并在括号中标注出来以确保信息完整。如果需要完全使用阿拉伯语表达，可以将其替换为“الضبط الدقيق”。