本文提出一种用于动作识别的多类型关系建模方法，并采用训练策略将多种关系建模集成到两个大规模视频数据集的端对端训练中去。同时，结合记忆库的学习和面向长尾数据分布的微调方法，以进一步提高性能，最终在 AVA-Kinetics 测试集中实现了 40.67 mAP 的成绩。

Jun, 2021

该论文介绍了 AVA-Kinetics 本地化人类行为视频数据集，其中包含超过 230k 个帧，对每个人的关键帧进行了 80 个 AVA 动作类的注释，通过视频行动变换网络在 AVA-Kinetics 数据集上进行了基线评估，并证明了在 AVA 测试集上行动分类的表现有所改善。

May, 2020

该研究提出了一个基于 Faster R-CNN 和 I3D 模型的简单 baseline，用于在 AVA 数据集上进行动作定位，最终模型在验证集上获得了 22.8％/21.9％的 AP，表现优于 CVPR 2018 挑战中的所有提交项。

Jul, 2018

本篇论文介绍我们针对 Activitynet Challenge 2018 中的两个任务 ——trimmed activity recognition (Kinetics) 和 trimmed event recognition (Moments in Time)，所采用的基于 non-local 神经网络和 temporal segment 网络的多模态方法，并使用新型的 non-local-based 模型以提高识别准确性，最终我们通过模型融合在 Kinetics 验证集中取得了 83.5% 的 top-1 准确度和 96.8% 的 top-5 准确度，在 MIT 验证集中则取得了 35.81% 的 top-1 准确度和 62.59% 的 top-5 准确度。

Jun, 2018

本研究使用 3D 卷积神经网络和一组时间卷积和 LSTM 分类器，对可见人是否在说话进行预测，从而在 AVS-ActiveSpeaker 数据集上获得了显著的改进。

Jun, 2019

本文介绍了我们参与 CVPR2022 AVA 挑战赛的技术细节，包括数据增强和模型选择、训练策略、和整合不同分割框架等方面，实验结果表明我们的方法在 AVA 测试集上取得了显著的效果。

Jun, 2022

第三届 ActivityNet 大型活动识别挑战，旨在识别用户生成视频中的日常生活、高层级、目标导向的活动，并且探寻视觉内容与人类说明之间的联系。

Aug, 2018

本文介绍了我们提交至 ActivityNet Challenge 2016 非修剪视频分类任务的方法。我们使用基于时间段网络的基本流程，并通过其他技术提高模型性能。我们使用最新的深度模型体系结构，如 ResNet 和 Inception V3，并引入了新的聚合方案（top-k 和注意力加权池化）。此外，我们以音频作为补充通道，通过应用于频谱图的卷积神经网络提取相关信息。通过这些技术，我们导出了一个深度模型集合，它们共同在测试集上取得了高分类精度（mAP 93.23％），并获得了挑战赛的第一名。

Aug, 2016

该论文提出了一种名为 Actor-Context-Actor Relation 的高阶关系建模方法，通过建立在多个元素之上的间接高阶关系来用于时空动作定位，能够有效提升动作检测的性能。实验结果表明该方法在 AVAKinetics 动作定位任务中表现出了显著优势。

Jun, 2020

本技术报告分析了我们在 Activitynet Challenge 2020 中使用的一种时间动作定位方法，该方法利用视频级别特征信息训练多个视频级别动作分类模型，并应用 BMN 等方法产生高质量的时间提案，再通过级联结构网络 Refine Network 和多种模型融合方法，实现了在 HACS 比赛中 Rank1 的好成绩。

Jun, 2020