本研究介绍了一种利用信息图像区域来实现有效领域对齐的方法，并在 2022 EPIC-Kitchens 无监督领域适应（UDA）挑战中取得了第四名的成绩。该方法使用轻量级 CNN 提取输入双流视频帧的全局信息，并通过 One Shot 内容选择方法选择有信息量的图像块来进行特征对齐。

Jul, 2022

本文介绍了我们参加 EPIC-Kitchens 2020 挑战赛所使用的技术细节，我们使用 Gate-Shift 模块和 EgoACO 来产生预测分数，最终我们的提交记录在公共排行榜上取得了 40.0％的 top-1 动作识别精度，使用了仅 RGB 的 S1 设置和 25.71％的 S2 设置。

Jun, 2020

本文介绍了 EPIC-KITCHENS 数据集的构建，该数据集具有大规模、种类多样的人们在厨房的日常行为记录，并且由多名来自不同国籍的参与者拍摄，其中所有视频都进行了密集注释和真实意图的讲述，并使用了多模态建模等基础线和新基础线进行了评估。

Apr, 2020

该研究报告介绍了作者参加 EPIC-Kitchens-100 多实例检索挑战的技术细节和实验结果，使用不同损失函数对 25％的训练数据进行了两个模型的集成，并获得了 56.81％的 nDCG 和 42.63％的 mAP 的平均分数。

Jun, 2023

通过 MEAA 的不确定性感知域适应网络，在源数据上使用非常有限的手部边界框注释，学习到了手部物体交互的特定特征，从而提高了微观场景下准确性并在无标签目标域中学习到了域不变特征，从而再精细的动作识别方面表现出最好的 top-1 动作识别准确性。

Jun, 2022

通过结合点渲染和任意物体模型以及应用特定的手工制约条件来增强手部和物体分割结果，在基线模型缺失检测的情况下重新训练物体检测器来提高检测准确性，从而在 VISOR HOS 挑战赛的评估标准中获得第一名。

Oct, 2023

本篇研究介绍了我们参加 EPIC-Kitchens 2019 动作识别挑战赛的技术细节，我们开发了数个 CNN-LSTA 和 HF-TSN 变体，并提交了由这两种模型家族组成的集成预测。我们的提交在公共排行榜上以 FBK-HUPBA 团队名列第一，在 S1 设置上达到了 35.54％ 的动作识别准确率，在 S2 设置上达到了 20.25％。

Jun, 2019

本文介绍了 EPIC-KITCHENS 数据库，它是一个大规模的第一人称视角视频数据库，其中包含了来自 32 个参与者的 55 小时视频，多样性与大规模性深度融合，视频被密集标记为总共 39.6K 个动作段和 454.3K 个物体边界框，并且注释与真实意图紧密相关，该数据库可用于第一人称视角视频领域的挑战评估和研究。

Apr, 2018

本文介绍了拓展视角中最大数据集 EPIC-KITCHENS 的一种方法，推出了 EPIC-KITCHENS-100，其中使用头戴式相机记录了 45 个环境中长期非剧本活动的 100 小时、2000 万帧、90,000 个动作，在 fine-grained actions、action detection、action recognition、unsupervised domain adaptation、cross-modal retrieval 等领域提供了新的挑战与评估。

Jun, 2020

该研究报告介绍了我们参加 EPIC-Kitchens-100 多实例检索挑战赛的技术细节，我们设计了一个结合不同模型并采用最近开发的基于关联增强的三元组损失训练的方案。我们的参赛作品在公共排行榜上表现良好，取得了平均得分 61.02% nDCG 和 49.77% mAP。

Jun, 2022