چکیده
ما در حین حرکت در جهان و انجام کارهای روزمره، با اشیایی مواجه می‌شویم که ممکن است بعدها به نظرشان ربط پیدا کنند. ما قادر به یادآوری مکان قرار دادن یک شی یا محتوای یک کنتینر هستیم، حتی بدون اینکه بدانیم آیا در آینده به آن نیاز خواهیم داشت. در این مطالعه، بررسی می‌کنیم که یک دستیار تجسمی چگونه می‌تواند از ویدیوهای اگو‌سنتریک (egocentric) حافظه‌ای مشابه بسازد، با تحلیل نظارات فعالیت‌های روزمره یک فرد. لِدجر (Ledger) را معرفی می‌کنیم؛ یک حافظه‌ی سه‌بعدی شیءپایدار که مکان اشیاء، تاریخچه‌هایشان و توضیحات زمینه‌ای را ترکیب می‌کند. این سیستم نظارات را در طول ضبط مرتبط می‌سازد و اشیاء را پس از خروج از میدان دید حفظ می‌کند، از جمله آنهایی که فرد هرگز به آن دست نمی‌زند. شاهدان هر شیء بر اساس مکان‌های استراحت آن‌ها_cluster می‌شوند و یک حرکت تنها پس از شواهد مکرر ثبت می‌شود تا اثر نویز موقعیت‌یابی کاهش یابد. توضیحات کوتاه جزئیاتی مانند محتوای شیء یا سطح پشتیبانی آن را حفظ می‌کنند. این سیستم این رکوردها را ذخیره می‌کند تا بتواند پس ازاً به سؤالات فضایی پاسخ دهد، بدون نیاز به دسترسی به تصاویر یا ویدیوهای اصلی. حافظه ما دقت معیار HD-EPIC (HD-EPIC) را از 29.7٪ به 42.6٪ افزایش می‌دهد، دقت بنچمارک UCS-Bench (UCS-Bench) را از 33.8٪ به 38.5٪ ارتقا می‌بخشد و اشیاء مجموعه داده Ego4D (Ego4D) را با خطای میانه 0.99 متر در پیش‌بینی‌های بازگردانده شده موقعیت‌یابی می‌کند. تحلیل‌های ما نقش مکمل پایداری زمانی، توضیحات زمینه‌ای و بازیابی را شناسایی می‌کند. مطالعه ما بر روی 100 جریان دوخته‌شده از چند صحنه هر یک، علاوه بر این، شکست‌های هر دو بازیابی و ساخت را نشان می‌دهد؛ ساخت در سطح صحنه parcialmente عملکردی را که در تغییرات صحنه از دست رفته بود، به بازگرداندن آن در مقایسه با جریان‌های تک‌صحنه کمک می‌کند.