英文：Action Recognition 分类：multimodal
从视频中识别人类动作/活动的技术：分类"跑步、挥手、做饭"等行为。它是视频理解的基础能力，服务于安防、体育与交互。
技术：双流网络（RGB+光流）、3D CNN（I3D）、视频 Transformer（VideoMAE、时空注意力）、多模态大模型（视频问答式识别）；难点：动作时长不一、视角变化、长尾类别；评测：Kinetics、UCF101、Something-Something。
用于安防监控（异常行为）、体育分析（动作分类）、人机交互（体感）与视频检索；动作识别让机器"看懂人在做什么"。