用于视频表征学习的时空裁剪聚合

基于摘要分析。本文研究如何高效学习长程视频表征，提出 Spatio-temporal Crop Aggregation for video representation LEarning（SCALE）：聚合由预训练骨干提取的视频片段级特征，并通过自监督掩码片段特征预测学习跨片段信息。研究对象是视频表征学习，并非 EEG 或 BCI。 核心机制是在预训练骨干的潜在特征空间中建模，而非直接重建原始视频。方法随机抽取一组视频片段，使输入保持稀疏；损失仅对这些稀疏输入进行重建，从而减少处理与预测的范围。作者将潜在空间降维、输入稀疏性及损失稀疏性作为提高训练效率与迁移能力的关键设计，并声称方法在训练和推理时均具有可扩展性。具体聚合结构、掩码策略及损失形式尚未验证。 作者报告，在常用动作分类和视频理解数据集上，使用 linear、nonlinear 和 k-NN probing 获得当时最先进的性能。摘要未提供数据集名称、划分协议、对照方法、具体指标及计算开销，因此目前不能量化性能或效率优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 片段编码器能提供稳定且保留任务信息的潜在特征，可尝试复用“片段特征聚合＋稀疏掩码预测”机制，以降低长时序建模成本。其前提是具有足够的无标签记录与可靠片段表征；视频骨干不能直接替代 EEG 编码器，时间位置、通道布局和片段长度也需改造。低信噪比、跨被试差异及小数据可能使重建目标偏向伪迹或被试特征，稀疏采样还可能遗漏短暂事件。一个可检验的小实验是固定 EEG 编码器，在相同被试划分、训练预算及线性探测协议下，对比均值聚合与稀疏掩码聚合，同时记录下游性能和计算开销。相关 EEG 工作尚未检索确认。