用于小样本动作识别的轨迹对齐时空 Token

基于摘要分析。本文研究小样本视频动作识别，提出轨迹对齐 token（trajectory-aligned tokens，TATs），结合点轨迹与自监督表征学习，强调运动与外观表征的解耦，并利用 Masked Space-time Transformer 聚合信息完成识别。 核心机制是借助跟踪得到的点轨迹构造对齐表征，使 token 承载运动与外观信息，而非仅依赖固定空间位置的视频表示。作者报告，该方法能够在保留关键信息的同时降低数据需求，并在多个数据集的小样本动作识别评估中取得最先进结果；摘要未提供数据集名称、任务划分、对照基线或数值，因而无法判断提升幅度及适用边界。轨迹提取流程、解耦的具体实现、自监督目标、掩码策略、训练资源，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在参考价值在于沿有意义的动态对应关系组织 token，再聚合时序信息；但原方法依赖视频中的可跟踪点及外观信息，EEG 通道并不直接对应这类轨迹。若尝试迁移，需要重新定义跨时间的信号对应关系，并改造 token 构造及掩码方式，不能直接把点轨迹等同于电极序列。低信噪比、跨被试差异、通道布局变化及小数据条件都可能使对齐不稳定。一个可证伪的小实验是假设动态对齐有益，在固定 EEG 数据划分、骨干模型与训练预算下，对比固定时间窗 token 与预先定义的动态对齐 token，并加入打乱对齐关系的对照，检验收益是否确实来自对齐机制。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。