多人场景

看见对话：第一人称视频中的交流情境识别

Seeing Conversations: Communication Context Identification in Egocentric Video

把「谁在和拍摄者交流」定义为一个可学习的第一人称视频任务，并用跨个体的长时序注意力建模社交动态；对做第一人称视频、多人交互理解或助听/AR 场景的人，这是一个可直接复用的任务设定与基线模型。