動作辨識

動作辨識是影片理解的旗艦案例：辨識一個人（或一群人）正在做什麼，例如「跳躍」、「握手」或「開門」。它本質上是專門針對人類活動的影片分類，對許多研究者而言這兩個詞幾乎可互換使用，因為動作基準推動了影片模型的大部分進展。

區分三種常被混為一談的任務設定很重要。修剪過的片段分類（trimmed clip classification）假設影片已含一個動作，只需把它命名。時序動作偵測／定位（temporal action detection/localization）在未修剪影片上運作，必須同時說出「發生什麼動作」與「在何時」（其起訖時間）。時空動作偵測（如 AVA 基準）走得更遠，在空間與時間中定位行為者，產生一條框的「管」（tube）加上一個標籤。較難的設定需要尊重時間順序的運動建模：若不知道運動方向，就無法區分把抽屜「打開」還是「關上」——這正是只靠外觀的模型失敗之處。

方法與影片模型的時間線相互對應：雙流網路、3D CNN 與 I3D、SlowFast 網路（一條慢速高解析度的外觀路徑，加一條快速低解析度的運動路徑），以及影片 Transformer。另一個獨立家族是以骨架為基礎的辨識（ST-GCN 及其後繼者），它先擷取人體姿態，再對關節執行圖卷積，以「需要可靠的姿態估計」為代價，換取對背景與外觀的穩健性。核心基準包括 UCF101 與 HMDB51（較舊、重外觀）、Kinetics-400／600／700、Something-Something（時序推理）、AVA（時空），以及 Charades（多標籤的日常活動）。