要約
境界の曖昧さや過剰分割の問題により、長時間の未トリム動画におけるすべてのフレームを正確に識別することは依然として困難である。これらの課題に対処するため、本研究では2段階構造の効率的ネットワークであるEfficient Two-Step Network（ETSN）を提案する。ETSNの第一段階は、局所的およびグローバルなフレームレベル特徴を同時に捉え、分割境界の正確な予測を可能にするEfficient Temporal Series Pyramid Networks（ETSPNet）である。第二段階では、過剰分割誤差を顕著に低減する新たな非教師ありアプローチであるLocal Burr Suppression（LBS）を導入している。50Salads、GTEA、Breakfastデータセットを用いた実証的評価において、ETSNは現在の最先端手法と比較して大幅な性能向上を示した。