用于视频类别增量学习的时空提示

基于摘要分析。本文研究视频类别增量学习（VCIL），提出时空提示方法 ST-Prompt，利用图像—语言预训练模型 CLIP 的知识，通过优化少量提示参数适配持续增加的视频类别，同时应对灾难性遗忘和图像模型时序感知不足的问题。 方法包含两类提示。任务特定提示由空间提示、时间提示和综合提示组成，作者将其用于准确识别任务，以缓解灾难性遗忘；任务无关提示维护全局共享提示池，通过帧间上下文交换为预训练图像模型补充时间感知能力。摘要未交代提示插入位置、任务识别的具体流程、损失函数及训练与推理时可用的信息，这些实现条件尚待全文核对。 作者报告，在三个标准基准上的实验优于已有 VCIL 方法，尤其在 HMDB51 的“1 × 25 stage”设置下取得 9.06% 的增益。摘要未明确该增益对应的指标、对照方法，以及其表示相对百分比还是百分点；阶段划分含义、其余基准、实验协议、消融及统计信息尚未验证，因此不能据此比较不同协议下的效果。 平台推测（待验证）：可迁移假设是，将任务特定提示与共享时序适配分离，可能有助于 EEG 类别增量学习中的知识保持与新类别适配。但原方法依赖 CLIP 的图像—语言预训练表征和视频帧结构，不能直接视为 EEG 方法；迁移时需替换输入编码与预训练骨干，并重新定义适合 EEG 时间窗及通道结构的提示交互。低信噪比、跨被试差异和小样本可能使任务识别不稳，共享提示也可能出现负迁移。一个可证伪的小实验是在固定被试内类别增量划分、相同骨干和提示参数预算下，对照仅共享提示、仅任务特定提示与二者结合，检查旧类别性能保持及新类别学习是否同时改善。已有 EEG 相关工作尚未检索确认。