要約
本技術報告は、[9] で提示した研究をさらに拡張したものであり、追加の実験を実施している。[9] では、長期間にわたる動画理解に取り組み、現在の観測に加えて過去または未来の観測からの推論を必要とする課題に注目した。これにより、いくつかの根本的な問いが生じる。時間的または順序的な関係はどのようにモデル化すべきか？どの程度の時間的範囲の情報と文脈を処理する必要があるか？また、それらの情報はどの時間スケールで抽出すべきか？[9] では、これらの問いに応えるために柔軟な多スケール時間的集約フレームワークを提案した。本報告では、このフレームワークを異なるタスクおよび新たなデータセットである EPIC-KITCHENS-100 に対してさらに実験的に検証している。