本研究提出了一种新颖的场景流估计网络MambaFlow，旨在解决时空建模不足和细粒度特征损失的问题。实验结果表明，该网络在Argoverse 2基准测试中表现优异，并具备实时推理能力。

本文介绍了多种少样本动作识别框架，如STRM、SloshNet和SAFSAR，强调通过特征学习和时空建模来提升识别性能。实验结果表明，这些方法在多个基准数据集上表现优异，推动了该领域的发展。

本文提出了一种名为STAN的时空建模机制，旨在将图像-文本预训练模型扩展到视频领域，以提升视频文本检索和识别的性能。研究中使用了CLIP模型，结合多模态学习和对比学习框架，在多个基准数据集上取得了最新的检索准确性记录。

本文介绍了一种名为“Fragment and Integrate Network（FIN）”的新型时空建模范式，用于解决在线位置服务中的点击率预测任务。通过实证分析验证了FIN的准确性和可扩展性。FIN已在中国在线订餐平台“饿了么”的推荐广告系统中全面部署，并取得了显著改进。