面向运动视频的多焦点时序位移用于精确事件定位

运动视频中的精确事件定位（PES）需要从单摄像机 footage 中对细粒度动作进行帧级识别。现有的 PES 模型通常包含轻量级时序模块，如 Gate Shift Module（GSM）或 Gate Shift Fuse，以增强 2D CNN 特征提取器的时序上下文。然而，这些模块在时序感受野和空间自适应性方面都有限。我们提出了多焦点时序位移模块（MFS），通过引入多尺度时序位移和 Group Focus Module 来增强 GSM，从而高效地建模短期和长期依赖，同时聚焦于关键区域。MFS 是一个轻量级、即插即用的模块，能够无缝集成到多样的 2D 主干网络中。为进一步推动该领域，我们引入了澳大利亚网球赛数据集，作为面向网球的首个 PES 基准数据集，包含超过 4800 个精确标注事件。广泛的实验在五个 PES 基准数据集上进行，表明 MFS 在以最小开销实现领先结果方面始终具有优势（+4.09 mAP，45 GFLOPs）。