CoSTA：面向时空视频定位的端到端全面时空耦合

基于摘要分析。本文研究时空视频定位：根据事件的文本描述，在未裁剪视频中定位对应的时空目标管，即事件的时间范围及其逐帧空间位置。作者提出 CoSTA，通过密集耦合时空多模态特征，旨在改善事件时间边界预测不准确及相邻帧中同一事件目标预测不一致的问题。 机制上，CoSTA 使用时空协同编码器提取视频特征，并利用 Transformer 进行时空多模态理解；其 entangled decoder 通过 entangled query 将时间边界预测与空间定位耦合，以增强对目标—事件关系的建模。摘要未披露具体特征组织、query 构造、损失函数及训练细节，尚不能判断各模块的独立贡献。 作者报告，在 HC-STVG 和 VidSTG 基准上的实验中，CoSTA 优于既有最先进方法；摘要未提供评估指标、分数、数据划分或具体对照，因此无法量化优势或核对比较条件。实验协议、消融及统计信息尚未验证，复现所需实现与资源条件也尚未验证。 平台推测（待验证）：其“时间定位与空间定位联合约束”的机制，可作为文本条件神经信号事件定位的研究假设，但原任务依赖视频空间目标、时间连续性与文本描述，不能直接等同于 EEG 解码。若探索迁移，可考虑保留耦合查询思路，将视频编码与空间框预测改造为 EEG 编码和通道或脑区相关输出；主要风险是 EEG 低信噪比、通道布局差异、跨被试变化，以及缺乏与视频目标框等价的空间监督。一个可证伪的小实验是在具有文本描述与事件起止标注的 EEG 数据上，固定编码器和数据划分，对比独立时间/空间输出与耦合查询输出，检验时间定位是否改善；这不是本文已验证的结果，相关 EEG 工作尚未检索确认。