Global2Local：面向视频动作分割的高效结构搜索

模型的时间感受野在动作分割任务中起着至关重要的作用。较大的感受野有助于捕捉视频片段之间的长期依赖关系，而较小的感受野则更有利于捕捉局部细节。现有的方法通常在各网络层中采用人工设计的感受野结构。我们是否能够有效搜索出更优的感受野组合，以替代人工设计的模式？为回答这一问题，本文提出一种从全局到局部的搜索策略，以寻找更优的感受野组合。该搜索策略结合了全局搜索与局部搜索：全局搜索用于发现超越人工设计模式的粗粒度组合，而在全局搜索结果的基础上，我们进一步提出一种基于期望引导的迭代式局部搜索机制，以高效优化并细化感受野组合模式。所提出的全局到局部搜索框架可无缝集成至现有动作分割方法中，显著提升性能，实现当前最先进的分割效果。