${\text{CA}^{2}\text{ST}}$:在音频,空间和时间上的交叉注意力,用于整体视频识别

概括

音频,空间和时间交叉注意 (CA2ST) 通过整合空间,时间和音频信息来增强视频识别. 这种基于变压器的方法通过协同的专家信息交换实现了平衡和整体的视频理解.