共找到 1 篇文章，
当前第 1 / 1 页
... 或 Video Transformer 架构。这类模型不仅能识别某一帧的静态特征，还能理解动作在时间维度上的演变（例如：区分“坐下”与“起身”的连续过程）。 多模态融合（Multi-modal Fusion）： 利用注意力机制（Attention Mechanism）将视觉动作特征与音频特征进行对齐。例如，当视觉检测到“抓挠”动作且音频检测到“指甲摩擦声”时，系统将极大增强“皮肤病风险”这一判定...
1
热门文章
最新发布