AutoShot：短视频数据集与最先进的镜头边界检测

本研究面向短视频镜头边界检测（SBD），发布 SHOT 数据集，并提出通过神经架构搜索优化检测模型的 AutoShot。基于摘要分析，未取得论文全文；主要贡献是短视频标注资源与检测架构设计，而非 EEG/BCI 方法。 数据与方法：SHOT 包含 853 个完整短视频和 11,606 个镜头标注，其中 200 个测试视频包含 2,716 个高质量镜头边界标注。摘要中的“镜头标注”与“镜头边界标注”应分别保留，不能视为相同统计单位。AutoShot 在涵盖多种 3D ConvNets 和 Transformers 的搜索空间中进行神经架构搜索；具体搜索策略、最终架构、损失函数及训练配置尚未验证。 结果：作者报告，在 SHOT 上进行架构设计并评估时，AutoShot 的 F1 优于此前方法，相比 TransNetV2 的提升原文记为 4.2%。作者还报告，将该架构直接评估于 ClipShots、BBC 和 RAI 时，F1 相对此前最先进方法的提升分别记为 1.1%、0.9% 和 1.2%。摘要未明确这些增益是相对百分比还是百分点，不宜自行换算；也未提供绝对 F1、各外部数据集对应基线及完整训练与测试协议，因此不能将这些结果直接作横向比较。 复现与局限：摘要提供了 SHOT 数据集及代码的仓库地址。复现前需核对标注定义、训练与验证划分、搜索预算、模型选择规则、外部数据集是否涉及再训练或微调，以及边界匹配和 F1 计算方式。实验协议、消融及统计信息尚未验证。材料没有建立视频镜头切换与神经信号任务之间的具体机制对应，故不据此提出 EEG/BCI 迁移效果或复现实验建议。