该论文提出了一种框架，用于在视频中识别原子动作的时间组成。通过将行动的时间组成表示为语义正则表达式，并使用概率自动机推导出一个推理框架来识别复杂动作，以满足这些所提供的正则表达式在输入视频特征上。该方法允许仅使用预训练操作分类器来识别复杂的细粒度活动，而无需任何其他数据、注释或神经网络训练，以 vastly more complex activities without large performance degradation 扩展最先进的原始动作分类器，这一点在合成数据集和实验中获得了充分的验证。