분류와 경계를 따로 돕기
프레임의 행동 종류가 대체로 맞아도 경계가 흐리거나 짧은 잘못된 구간이 생길 수 있다. 이 방법은 분류 모델에 가벼운 감독을 추가해 구간 품질을 보완한다.
경계의 회귀 손실
시간 경계를 예측하는 단일 채널에 회귀 손실을 적용한다. 행동 전환 위치를 직접 학습하게 하는 추가 신호다.
누적 분포의 정렬
예측 구간과 정답 구간의 누적 분포를 맞추는 정규화 손실을 사용한다. 구간 내부의 구조가 일관되도록 유도하며 기존 행동 분할 모델의 학습에 결합할 수 있다.
개선 지표의 구별
연구는 여러 모델과 세 벤치마크에서 구간 F1과 편집 점수의 개선을 보고했다. 프레임 정확도는 크게 바뀌지 않았으므로 분류와 구간 품질을 같은 수치로 평가하지 않는 것이 중요하다.
관련 문서
C2F-TCN / MS-TCN / ASRF 행동 구간 정제 / ASFormer / Temporal Segment Transformer / Assembly101