结合边界监督与分段正则化的细粒度动作分割
计算机视觉与模式识别
2026-04-03 v1
摘要
近期在时间动作分割(TAS)中的进展日益依赖复杂的网络结构，这可能阻碍实际部署。我们提出一种轻量级双损失训练框架，通过仅增加一个输出通道和两个辅助损失项，显著提升细粒度分割质量，几乎无需修改网络结构。该方法结合边界回归损失，通过单通道边界预测实现精准的时间局部化，同时引入基于CDF的分段级正则化损失，通过匹配预测分割与真实分割的累积分布，鼓励分割内部结构的一致性。该框架与网络无关，可作为训练时间损失函数集成到现有的TAS模型中(如MS-TCN、C2F-TCN、FACT)。在三个基准数据集上，所提方法在分段一致性和边界质量方面均取得改进，三个不同模型的F1分数和Edit分数均提升。帧级准确率基本保持不变，表明通过简单的损失设计即可实现精准分割，而无需更复杂的网络结构或推理时的后处理。
引用
@article{arxiv.2604.01859,
title = {Combining Boundary Supervision and Segment-Level Regularization for Fine-Grained Action Segmentation},
author = {Hinako Mitsuoka and Kazuhiro Hotta},
journal= {arXiv preprint arXiv:2604.01859},
year = {2026}
}
备注
Accepted by CVPR2026 Workshop "AI-driven Skilled Activity Understanding, Assessment & Feedback Generation (SAUAFG)"