本研究提出了一种新方法，结合3D姿态估计与身体建模，解决舞蹈风格识别中的时间上下文缺失问题，准确率最高达到99.18%。

本研究提出了一种新的时间视频状态空间共享架构（TV3S），有效解决了传统视频语义分割方法在处理时间上下文时的不足。TV3S通过选择性门控机制高效传播信息，显著提升了长视频序列的处理能力与准确性，超越了现有的最先进方法。

本研究提出了LaneTCA方法，用于车道检测中聚合连续帧的时间上下文。实验结果显示该方法在两个基准数据集上表现最佳。

本文介绍了TCTrack框架，该框架利用时间上下文进行航空追踪，实验结果显示其在多个基准测试中表现优异，速度可达27 FPS。此外，文章还提到其他基于Transformer的跟踪方法，强调了时空信息和多模态信息的综合利用，从而提升了目标跟踪的准确性和效率。

本文介绍了一种在移动设备上部署的自监督学习模型，用于学习通用音频表示。该模型利用时间上下文来估计音频片段之间的时间间隔，并重建时间频谱图切片。研究表明，该模型在多个下游任务中可重复使用，性能接近全监督模型。

本文介绍了一种在移动设备上部署的自监督学习模型，用于学习通用音频表示。该模型利用频谱图域中的时间上下文，通过估计音频片段之间的时间间隔或重建时间频谱图切片来学习。研究表明，这种模型可以在多个下游任务中重复使用，并且与全监督模型的性能接近。