arXiv · 机器人与计算机视觉· Sadegh Rahmaniboldaji, Filip Rybansky, Quoc Vuong, Frank Guerin, Andrew Gilbert·· 6 天前AI 评分38
BiScopeNet:文本引导的手部角色对齐与子动作识别框架
Sub-actions in Action: Text-Guided Hand-Role Alignment for Sub-Action Recognition
AI 导读
BiScopeNet 是一种无需修改视觉编码器或语言模型的视频大语言模型增强框架,通过 FocusAlign 模块和 MetaLoss 损失函数实现左/右手角色及操作物体的显式识别。该框架基于 BiScopeCap-100K 数据集在多个视频大语言模型骨干上进行了评估,在子动作检测任务中取得了优于对应监督基线的最强聚合性能。相关研究已获 BMVC 2026 接收,代码与数据许可状态待进一步确认。
来源:arXiv · 机器人与计算机视觉 · arxiv.org