微細な動作セグメンテーションと認識は重要な課題であり、同時に困難を伴っています。運動データの長い未編集のシーケンスが与えられた場合、この課題は各時間フレームでの動作を分類し、時系列データを正しく一連の動作に分割することです。本論文では、時間的な条件付き確率場（CRF）モデルと、判別的スパースコーディングに基づく強力なフレームレベル表現を組み合わせた新しいフレームワークを提案します。また、CRFモデルの重み（動作分類と動作遷移コスト）、および中間レベルの動作プリミティブの過学習辞書を共同で学習するためのエンドツーエンドアルゴリズムを導入します。これにより、異なる動作間で共有され、構造化出力学習に適応した判別的辞書を使用して得られるスパースコーディング特徴量によって駆動されるCRFモデルが得られます。我々はJIGSAWSデータセットから取得した手術タスク3つと、50 Saladsデータセットから取得した加速度計データを使用した料理準備タスクにおいて、提案手法の評価を行いました。結果は、提案手法が最先端の手法と同等かそれ以上であることを示しています。注：「判別的スパースコーディング」（discriminative sparse coding）や「中間レベルの動作プリミティブ」（mid-level action primitives）などの用語は専門的な表現であり、一般的には上記のように訳されます。ただし、これらの用語が特定の文脈で異なる意味を持つ場合があるため、使用される文献や研究分野によっては別の訳語が適切になることがあります。