影片分類

影片分類為「整段片段」指派單一標籤，例如把一段數秒的片段標為「彈吉他」或「跳水」。相對於影像分類，其定義性的挑戰是時間聚合（temporal aggregation）：一段影片有數十到數百格，模型必須把跨時間的證據彙整為一個決策，而非評斷單一張圖。

各種方法在「多認真地建模時間」這條光譜上分布不一。最便宜的把影片當成一袋影格：逐格跑一個 2D CNN，再把各格預測平均（後期時間池化），這是個出奇強的基線。較強的時序模型包括循環堆疊（把 CNN 特徵餵進 LSTM）、雙流網路（分開的外觀分支與光流分支）、在空間與時間上做卷積的 3D CNN，以及對時空 token 施加自注意力的現代影片 Transformer（TimeSformer、ViViT、VideoMAE）。標準資料集有 Kinetics（事實上的預訓練集）、Sports-1M 與 Moments in Time。

一個微妙卻核心的問題是場景與外觀偏誤（scene/appearance bias）。對許多基準片段而言，單一張影格幾乎就夠了，因為背景或物體（一座籃球場、一把吉他）不靠任何運動理解就洩漏了標籤。這誘發捷徑學習（shortcut learning）：模型靠辨識情境而非動作本身就能拿高分。這正是 Something-Something 資料集被刻意建構成「無法從單格求解」（它要求理解互動的時間方向）的原因，也說明了為何在重外觀的基準上報出漂亮數字，並不能證明模型理解運動。