本文旨在提出一种基于元学习的有效的实现少样本迁移学习的方法，该方法使用局部视觉线索学习表示，以在具有不同场景和动作配置的公共数据集之间进行行为分类模型的迁移。结果表明，该方法在跨类别和跨数据集转移方面效果优于现有的行为分类方法。

Jul, 2019

介绍了一个新的包含人类行为的视频和语言数据集，该数据集专注于描述动态人类动作的故事意图和局限性表达式，该数据集预计对评估包括否定和量化在内的复杂语句与视频之间的多模态推理系统非常有用。

Jun, 2021

通过动作为中心的关系三元组，以开放词汇的视频关系抽取为视角，提出了 Moments-OVRE 数据集，并在该任务上对现有的跨模态生成模型进行了基准测试。

Dec, 2023

介绍了一个大规模的现实世界数据集，该数据集用于评估人类行为识别的学习技术，进一步提出了在无人干预状态下收集数据和训练的方法，并针对该训练数据出现的语义不一致性问题，提出了一个语义分层结构。

Jun, 2019

针对自然语言与视觉任务融合的多个数据集和方法的持续爆炸性增长的问题研究，本篇综述将现有的行动识别方法按照它们如何概念化这个问题进行分类，并详细评述现有的数据集及其多样性、优缺点。 重点关注最近开发的数据集，它们将视觉信息与语言资源联系起来，并对图像中的动作进行细粒度的语法和语义分析。

Apr, 2017

本文提出了利用轨迹感知的多模态特征进行视频关系检测，并将此任务分解为物体检测、轨迹提案和关系预测三个子任务，利用最先进的物体检测方法和多模态特征表示来帮助检测物体之间的关系。我们的方法在 ACM Multimedia 2020 的视频关系理解大挑战的视频关系检测任务中获得了第一名的好成绩（11.74％mAP），超过其他方法。

Jan, 2021

本文综述了 200 多篇关于视频动作识别的深度学习论文，介绍了 17 个影响模型设计的数据集和深度学习模型的发展历程，包括深度学习适应、双流网络、3D 卷积核和计算效率模型，并对几种方法在典型数据集上进行了基准测试，最后，讨论了视频动作识别面临的问题和未来的研究机会。

Dec, 2020

本文旨在探讨在视频动作检测中，除数据集规模外其他能够衡量数据集质量的属性，并且提出了一个新的，适用于真实世界应用的多演员多行为（MAMA）数据集，同时还对影响视频数据集的时间关系进行了相关性研究，进而发现现有方法存在偏见。

Apr, 2022

本研究提出了首个基于姿势增强的视觉语言模型（VLM）用于视频动作识别，该方案在 UCF-101 和 HMDB-51 两个常用数据集上分别达到 92.81% 和 73.02% 的准确率，在动态学习预训练后准确率分别达到 96.11% 和 75.75%。

Aug, 2023

使用大量网络视频进行预训练能够显著提高三个具有挑战性的公共行动识别数据集的性能，并对弱监督视频行动数据集的构建进行了深入研究。

May, 2019