关于时间：动作理解的最新进展、挑战与展望

我们已见证了视频动作理解方面的显著进展。更大的数据集规模、更丰富的样本多样性以及计算资源的提升，推动了性能的跃升和任务的多样化。当前系统能够提供对视频场景的粗粒度和细粒度描述，提取与查询相对应的片段，合成未观察到的视频部分，并预测跨多个模态的上下文。本综述全面性地综述了在多种任务中的单模态和多模态动作理解的最新进展。我们聚焦于常见挑战，概述广泛采用的 datasets，并着重总结近期的突破。我们将任务广泛分为三个时间范围：（1）对完整观察到的动作进行识别任务；（2）对正在进行的部分观察到的动作进行预测任务；（3）对后续未观察到的动作进行预测任务。这种划分使我们能够识别特定的动作建模和视频表示挑战。最后，我们概述了解决当前不足之处的未来方向。