VFGF:虚拟框架增强引导预测框架,用于长期自我中心活动预测
Xiangdong Long1, Shuqing Wang1, Yong Chen2
1College of Computer and Information Engineering, Tianjin Normal University, Tianjin 300387, China.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
本研究引入了一种新的虚拟框架增强指导预测 (VFGF) 框架,通过生成虚拟框架和使用功能指导来提高准确性来改善长期自我中心活动预测.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 自我中心活动预测至关重要,但由于第一人称视频的上下文有限,因此具有挑战性.
- 经常性神经网络在长期预测中扎着累积错误.
研究的目的:
- 为准确的长期自我中心活动预测开发一种新的框架.
- 解决传统方法在处理时间和背景差距方面的局限性.
主要方法:
- 引入了虚拟框架增强导向预测 (VFGF) 框架.
- 生成虚拟框架以增强语义连续性.
- 提出了用于指导递归预测的特征指导模块.
主要成果:
- 在EPIC-Kitchens数据集上,VFGF显著提高了长期活动预测的准确性.
- 在0.25秒的预测地平线上实现了44.11%的最先进的Top-5准确性.
- 在各种长期预测间隔中表现出强的表现.
结论:
- VFGF有效地克服了自我中心活动预测的挑战.
- 该框架为未来的时间预测研究提供了坚实的基础.
- 虚拟框架和功能指导可以提高预测的准确性和一致性.


