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

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

本篇论文提出了一种名为 Dense Boundary Generator (DBG) 的生成时间性行动提案的高效统一框架，该框架通过实现边界分类和行动完整性回归以获取密集分布提案中的精确时间提案边界和可靠的行动置信度

Nov, 2019

该论文利用图卷积网络 (GCNs) 来建立动作建议图，通过使用两种关系来捕捉上下文信息和不同动作之间的相关性，以模拟不同建议之间的关系并学习强大的动作分类和本地化表示，实验证明该方法在 THUMOS14 上显著优于现有最先进模型。

Sep, 2019

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

本技术报告介绍了我们在 CVPR-2022 AcitivityNet 挑战赛中获取的第一名的解决方案，该解决方案旨在为长型未修剪视频中的特定类别的动作实例定位时间边界，并且通过提出 Context-aware Proposal Network (CPN) 等创新技术，在提高精度方面大有改进。

Jun, 2022

本文研究了时空行为定位问题，提出了一种新的图卷积模块（GCM），强调了行为单元之间的关系对于行为定位的重要性，并证明了该模块能够提高现有行为定位方法的性能。

Dec, 2021

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

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

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