论文页面 - Ambient @ EgoProactive 2026：基于视觉定位监督的主动自我中心辅助

来源：https://huggingface.co/papers/2609.07099

摘要

本方法将干预时机重新定义为单令牌分类问题，并利用视频智能体进行视觉监督，以提升可穿戴助手的决策能力。本文提交至 ECCV 2026 可穿戴人工智能挑战赛的 EgoProactive 赛道，在大规模模型组排名第一，≤2B 规模组排名第二。该任务要求可穿戴助手在每段 8 秒的自我中心视频后判断是否应干预或保持静默。我们的方法包含两个核心组成部分：
首先，我们将干预时机重新定义为单令牌分类（https://huggingface.co/papers?q=single-token%20classification）。模型不再生成“中断”或“静默”指令，而是预测“是”或“否”，并通过这两个令牌的重归一化概率（https://huggingface.co/papers?q=renormalised%20probabilities）推导出最终决策。该策略使宏观 F1（https://huggingface.co/papers?q=macro-F1）提升 0.249，G 均值（https://huggingface.co/papers?q=G-mean）比自由形式生成（https://huggingface.co/papers?q=free-form%20generation）提高 0.30。
其次，由于标注数据仅限于已发布的验证集，我们利用工具调用视频智能体（https://huggingface.co/papers?q=tool-calling%20video%20agent）生成额外监督数据——该智能体可分析每个视频片段并分配干预时间戳。虽然纯叙述替代方案的数据量是其四倍且成本仅为十分之一，但其迁移效果却弱于来自无关真实语料库的监督数据，这表明对于该任务而言，视觉定位（https://huggingface.co/papers?q=visual%20grounding）比标注数据量更为重要。

查看 arXiv 页面（https://arxiv.org/abs/2609.07099）
查看 PDF（https://arxiv.org/pdf/2609.07099）
GitHub0（https://github.com/ambient-intelligence-hq/egoproactive-verbalizer）
添加至收藏（https://huggingface.co/login?next=%2Fpapers%2F2609.07099）

通过智能体获取本文：
hf papers read 2609.07099
尚未安装最新 CLI？运行：
curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型

0
无模型关联本文。
在模型的 README.md 中引用 arxiv.org/abs/2609.07099 即可从本页面链接。

引用本文的数据集

0
无数据集关联本文。
在数据集的 README.md 中引用 arxiv.org/abs/2609.07099 即可从本页面链接。

引用本文的 Spaces

0
无 Space 关联本文。
在 Space 的 README.md 中引用 arxiv.org/abs/2609.07099 即可从本页面链接。

包含本文的收藏

0
无收藏包含本文。
将本文添加至收藏（https://huggingface.co/new-collection）即可从本页面链接。