AutoShot：短视频数据集与达到当前最佳水平的镜头边界检测

基于摘要分析。本文研究短视频的镜头边界检测（shot boundary detection，SBD），贡献包括公开数据集 SHOT，以及通过神经架构搜索优化检测模型的 AutoShot 方法。其主要研究对象是视频内容结构分析，而非 EEG、BCI 或状态空间模型。 数据与方法：作者介绍，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。AutoShot 的架构搜索空间涵盖多种 3D ConvNets 与 Transformers，利用该数据集优化视频 SBD 模型设计。具体搜索算法、候选结构、损失函数、训练配置及推理成本尚未验证。 结果与对照：作者报告，在 SHOT 上开发并评估的 AutoShot，其 F1 相比 TransNetV2 提升 4.2%；为检验架构泛化能力，作者还在 ClipShots、BBC 和 RAI 三个公开数据集上直接评估，报告 F1 相比此前最佳方法分别提升 1.1%、0.9% 和 1.2%。摘要未给出绝对 F1，也未明确这些提升是相对百分比还是百分点，因此不能将其换算为绝对分数增益。跨数据集评估是否涉及额外训练、各数据集的划分、边界匹配容差及具体对照方法，均需核对全文。 复现与范围：摘要提供了 SHOT 数据集及代码的仓库地址，但资源可访问性、许可、预处理和完整复现条件尚未验证；实验协议、消融及统计信息尚未验证。视频镜头边界检测的结果不能直接外推为神经信号事件检测效果，相关 EEG 工作尚未检索确认。仅凭摘要中的架构搜索机制，暂不提出具体 BCI 迁移实验。