通常，AI要想理解复杂的人类动作，需要大量标注完善的训练视频数据。但在真实应用中，针对某些特定动作往往难以收集到足够多的样本。由成均馆大学软件系许在弼教授带领的研究团队提出了一项新技术，只需少量示例视频，就能让AI准确识别此前未见过的新动作。

该团队聚焦于“少样本动作识别”问题，目标是让AI在样本极少的条件下，也能学习并区分不同动作的关键特征。与传统方法依赖对整段视频逐帧、按时间顺序进行复杂比对不同，这项技术的核心思路是：从视频中高效提炼出关键动作片段，再基于这些精炼信息进行视频间的比较。

为实现这一点，研究人员从多个角度对每个视频进行分析，提取并组织其中具有代表性的动作模式。通过这种方式，AI不再被冗长的时间序列所束缚，而是能够围绕“动作本质”进行对比，从而更有效地判断不同视频之间的相似与差异。

该方法的一大亮点在于对动作速度和持续时间变化的鲁棒性。即便同一动作因个人习惯、拍摄角度或环境条件不同而以快慢不一、时长不同的形式出现，算法仍能抓住动作的核心结构特征，稳定完成识别，显著减弱了时间尺度变化带来的干扰。

凭借在方法上的创新性和性能上的优异表现，这项研究已获得国际学术界的认可。相关论文被选为将在2025年6月于纳什维尔举办的计算机视觉与模式识别会议（CVPR 2025）口头报告，并收录于《2025 IEEE/CVF计算机视觉与模式识别会议（CVPR）》期刊。

研究团队表示，这项技术有望在多种需要高级视频理解能力的场景中发挥作用，例如体育动作分析与训练反馈、用于识别危险行为的智能安防系统，以及帮助机器人通过观察人类示范来自主学习新行为等应用领域。