Tag · 3 篇
时序注意力
分布 视频理解与时序1人脸与人体理解13D 视觉与重建1
01 02 03
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。
MS^2Gait：面向基于 LiDAR 的步态识别的多尺度时空融合网络
MS^2Gait: A Multi-Scale Spatio-Temporal Fusion Network for LiDAR-based Gait Recognition
对做点云序列人体分析的研究者，可复用其分层空间特征提取中的四种跨尺度交互策略与基于相似度的时序增强 Transformer——后者用运动一致性动态加权帧、无需显式监督，可直接迁移到动作识别、步态/姿态时序建模等任务。
DynamicVGGT：学习动态点图用于自动驾驶中的4D场景重建
DynamicVGGT: Learning Dynamic Point Maps for 4D Scene Reconstruction in Autonomous Driving
将前馈式三维重建模型（VGGT）扩展到动态场景，通过联合预测当前与未来点图并引入运动感知时序注意力与动态高斯泼溅头，为自动驾驶中的4D重建提供了一种无需优化的前馈方案。