重新审视多视角下的顶概率用于分心驾驶行为定位

自然驾驶动作定位任务旨在识别和理解真实驾驶场景中捕获的视频数据中的人类行为与动作。以往的研究通过应用识别模型并进行基于概率的后处理，展现出了出色的动作定位性能。然而，识别模型提供的概率常包含混淆信息，给后处理带来挑战。在本研究中，我们采用基于自监督学习的动作识别模型来检测分心活动并给出潜在动作概率。随后，一种约束集成策略利用多摄像头视角提供稳健的预测。最后，我们引入条件后处理操作，以精确定位分心行为和动作的时间边界。在测试集 A2 上的实验中，我们的方法在 2024 AI City Challenge 第 3 赛道的公开排行榜上位列第六。