提出了一种新的模型 ——Sparse Multilevel Boundary Generator (SMBG)，通过边界分类和动作完整性回归来提高边界敏感方法的效率，引入了稀疏特征提取置信度头来优化提议特征生成器，并提出了全局指导损失来改善多支路之间的协同和平衡正负样本，在两个流行的基准 ActivityNet-1.3 和 THUMOS14 上评估，结果表明 SMBG 提供了一种更高效和简单的解决方案，可能会提高计算机视觉领域中视频分析中的时间动作定位的准确度和速度。

Mar, 2023

提出了一种边界内容图神经网络（BC-GNN）来生成高质量的时间性建议，通过神经网络模拟时间性建议的边界和行动内容之间的相互关系，显著提高了行动理解的准确性和效率。

Aug, 2020

混合方法的时空动作检测在融合基于锚点和不基于锚点的方法上取得了显著性能，但仍然存在两个关键问题：蛮力融合和手工设计的锚点影响了混合方法的性能和实际应用，以及动作类别预测中大量的误报影响了检测性能。本文提出了一种新颖的边界离散和可靠分类网络（BDRC-Net），通过引入边界离散和可靠分类模块来解决上述问题。具体而言，边界离散模块（BDM）以边界离散的形式巧妙地融合了基于锚点和不基于锚点的方法，避免了传统混合方法所需的手工设计锚点。此外，可靠分类模块（RCM）预测可靠的动作类别以减少动作类别预测中的误报。在不同的基准测试上进行的大量实验证明，我们提出的方法与最先进的方法相比具有较好的性能。例如，在 THUMOS'14 上，BDRC-Net 的平均 mAP 达到了 68.6%，超过了先前最佳水平 1.5%。代码将在该链接处公开发布。

Oct, 2023

提出一种名为 “Boundary-Matching Network（BMN）” 的有效、高效、端对端的建议生成方法，可以同时生成具有精确时间边界和可靠置信度分数的建议，提出 BM 机制来评估密集分布的建议的置信度得分，以及将所有密集分布的 BM 对结合成 BM 置信度图，测试结果在 THUMOS-14 和 ActivityNet-1.3 数据集上表现出一定优越性。

Jul, 2019

通过引入对比学习，并将背景帧作为难负样本，提出了一种独立于现有 Temporal Action Localization（TAL）网络架构的边界感知候选生成方法（BAPG），用于改善 TAL 的性能。在 THUMOS14 和 ActivityNet-1.3 数据集上的实验结果表明，BAPG 能够显著提升 TAL 的性能。

Sep, 2023

该论文提出了一个新的背景约束思想，通过利用背景预测分数来限制提议的置信度，从而进一步压制低质量的提议，详细介绍了该方法在行动定位任务上的成果.

Dec, 2021

本研究提出了一种基于局部到全局思想的 Temporal action proposal 生成方法，命名为 Boundary-Sensitive Network (BSN)。实验结果表明，BSN 在 ActivityNet-1.3 和 THUMOS14 数据集中，相较于其他先进 Temporal action proposal 生成方法，具有高的召回率和高的时间精度。此外，将现有的行动分类器与 BSN 结合使用，能够显著提高时态动作检测性能。

Jun, 2018

本文提出了一种使用 Transformer 网络的统一的时间动作提议生成框架，通过 Boundary Transformer 预测边界信息和 Proposal Transformer 学习关系以实现可靠的置信度评估，结果表明，此方法在时间动作本地化任务上表现出色。

May, 2021

本文提出了一种 Temporal Context Aggregation Network（TCANet）来生成高质量的动作提案，通过本地和全局的时间上下文聚合和补充以及逐步边界细化，等等一连串的动作建议生成算法，以增强方法的临床普适性和可应用性。

Mar, 2021

这篇论文提出了 RTD-Net 框架，利用 Transformer 类似的架构直接生成动作建议，通过在时间范围内更好地捕捉长程时间信息的边界注意模块来应对视频中的缓慢先前，通过松弛匹配方案来缓解对每个真实值的单一分配的限制，并使用三分支头明确地预测其完整性来进一步提高提案置信度，从而在 THUMOS14 和 ActivityNet-1.3 基准测试中具有很好的效果，同时比以前的提案生成方法更有效率。

Feb, 2021