基于组级时序逻辑调整的长尾时序动作分割

程序活动视频常因动作频率和持续时间的差异呈现长尾动作分布。然而，现有的时序动作分割方法忽视了长尾部分，难以识别尾部动作。现有长尾方法假设类别无关，难以在时序分割框架中识别尾部类别。本文提出一种新颖的组级时序逻辑调整 (G-TLA) 框架，结合组级 softmax 公式，利用活动信息和动作排序进行逻辑调整。该框架在不损失头部动作性能的前提下，显著提高了对尾部动作的分割能力。