AAAI 2026 | 北航、东京大学填补AI「语义鸿沟」，过程感知视频理解如何找到「状态」锚点？

北京航空航天大学与东京大学合作提出TSS视频理解框架，通过引入“状态”作为视觉锚点，构建任务-步骤-状态三层结构，并利用大语言模型生成状态描述以降低标注成本。其创新的U型层级展开训练策略，在COIN和CrossTask数据集上显著优于现有方法，验证了状态建模对程序性视频理解的关键作用，相关成果已被AAAI 2026接收且代码已开源。
来源：https://mp.weixin.qq.com/s/ZHXoEpFWwIro0c2t-Z0QHA