TrackMAE：通过轨迹掩码与预测学习视频表征

基于摘要分析。TrackMAE 针对掩码视频建模（MVM）仅隐式编码运动、难以充分学习细粒度时序动态的问题，将运动轨迹作为显式重建信号，为自监督视频表征学习提供补充监督。研究对象是视频及运动相关下游任务，并非 EEG 或 BCI。 方法使用现成的点跟踪器，在输入视频中稀疏跟踪点并生成运动轨迹；随后利用轨迹构建运动感知掩码策略，改进随机管状掩码。运动目标用于补充像素空间和语义特征空间的重建监督。摘要未说明具体跟踪器、轨迹表示、损失形式与权重，也未明确各重建目标的组合方式。 作者报告，在六个数据集及多种下游设置中，TrackMAE 持续优于所比较的视频自监督学习基线，并据此认为其表征更具判别性和泛化能力。摘要未列出数据集名称、划分协议、指标或具体增益，实验协议、消融及统计信息尚未验证。材料提供了代码地址，但代码内容、运行条件与复现完整性尚未核验。 平台推测（待验证）：其可迁移假设是，显式动态目标或可补充 EEG 掩码重建对时序变化的学习，但视频点轨迹依赖可跟踪的空间对应关系，不能直接等同于 EEG 通道活动。可考虑复用“动态目标补充重建监督”的思路，而轨迹提取和掩码策略需按 EEG 信号结构重新设计；低信噪比、伪迹、跨被试差异及通道布局变化可能使动态目标主要编码非任务因素。一个可证伪的小实验是在固定 EEG 数据划分、骨干和训练预算下，对比普通掩码重建与加入局部时序变化预测目标的版本，检验跨被试任务表现是否改善。相关 EEG 工作尚未检索确认，该实验不属于原论文已验证结果。