초록
비편집 비디오에서 활동을 감지하는 것은 중요한 과제이지만 어려움이 따릅니다. 기존 방법들의 성능은 아직 만족스럽지 않으며, 예를 들어 긴 복잡한 행동의 시작점과 끝점을 정확히 찾는 데 어려움을 겪곤 합니다. 본 논문에서는 비편집 비디오에서 다양한 활동을 정확히 감지할 수 있는 일반적인 프레임워크를 제안합니다. 첫 번째 공헌은 시간 경계를 정확하게 생성할 수 있는 효율적인 새로운 제안 방식입니다. 두 번째 공헌은 후보 인스턴스의 관련성과 완전성을 명시적으로 구분하는 단계별 분류 파이프라인입니다. THUMOS14와 ActivityNet라는 두 개의 도전적인 시간적 활동 감지 데이터셋에서 제안된 프레임워크는 기존 최신 방법들을 크게 능가하며, 다양한 시간 구조를 가진 활동 처리에 있어 우수한 정확도와 강력한 적응성을 보여주었습니다.