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

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

本研究旨在通过估算自我运动或相机运动来应对大数据下的运动捕捉，并使用经过端到端训练的 CNN 提取来自动作的整个时间范围的特征，从而扩大网络的时间感知领域。

Aug, 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

通过整合特定于自我中心视频的先验知识到现有的在线行动检测框架中，我们引入了一个物体感知模块，以提高第一人称视频解释的场景理解和行动检测性能。

Jun, 2024

这篇文章介绍了三个方法：动作识别、动词和名词分类以及空间 - 时间视频注意力模型来解决小动态物体、复杂手部物体交互和遮挡等挑战。

Jul, 2020

本文介绍了基于 EPIC-Kitchens 数据集的行动识别模型，比较了不同模型在具有长尾类分布、测试集中未见过环境和多任务等挑战下的表现，并探讨了模型的缺点和未来研究的方向。

Aug, 2019

本文通过将 few-shot generalization 和 zero-shot generalization 相结合，并在传统的直接对齐基线上添加度量学习损失，探索了面向 open-set 分类的通用化方法，并在基于 EPIC-KITCHENS 数据集的新分裂的基础上进行了评估，结果表明这种方法可以提高零样本分类的准确性高达 10％，同时不损失 few-shot 性能。

May, 2020

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

本文提出了一种使用多任务学习的方法，通过并行训练网络来提高动作识别的准确率，并同时实现手部和凝视估计的辅助任务。在多个数据集上的实验证明，该方法在动作识别上的性能明显优于单任务学习模型，并可以准确预测手部和凝视位置。

Sep, 2019