人类活动中长期时空周期性工作流程的无监督发现
计算机视觉与模式识别
2025-11-21 v2
摘要
具有隐式工作流程的周期性人类活动在制造业、体育和日常生活中常见。虽然以简单结构和高对比度模式为特征的短期周期活动已被广泛研究，但以低对比度模式为特征的长期周期工作流程仍基本未被探索。为填补这一空白，我们介绍了第一个包含 580 个多模态人类活动序列的数据集，数据集包含长期周期性工作流程。该数据集支持三个与实际应用相吻合的评估任务：无监督工作流程检测、任务完成跟踪和程序异常检测。我们还提出了一种轻量级、无训练基线，用于建模多样化的周期性工作流程模式。实验表明：(i) 我们的数据集对无监督工作流程检测方法以及基于强大大语言模型 (LLM) 的零样本方法都具有显著挑战；(ii) 我们的方法在所有评估任务中均显著优于竞争方法；(iii) 在实际应用中，我们的方法在部署方面表现出与传统监督工作流程检测方法相当的优势，无需标注和重新训练。我们的项目页面为 https://sites.google.com/view/periodicworkflow。
引用
@article{arxiv.2511.14945,
title = {Unsupervised Discovery of Long-Term Spatiotemporal Periodic Workflows in Human Activities},
author = {Fan Yang and Quanting Xie and Atsunori Moteki and Shoichi Masui and Shan Jiang and Kanji Uchino and Yonatan Bisk and Graham Neubig},
journal= {arXiv preprint arXiv:2511.14945},
year = {2025}
}
备注
accepted to WACV 2026