视频动作识别

面向动作识别的 VLM 精简测试时自适应

Condensed Test-Time Adaptation of VLMs for Action Recognition

提出免训练的 ConDA 适配器，用视觉-文本对齐的概率做语义图像块筛选，再按图像块级视觉相似度构建时空管，绕开记忆缓存两步模态映射链的非传递性问题；做视频 VLM 下游适配时可直接复用这套「文本引导视觉聚合」的免训练流程。