本研究提出了一种新型混合注意力网络（HAN）架构，结合卷积神经网络与变换器，显著提高医学图像中解剖标志检测的精度与效率。

本文提出了一种通过语言描述视频段事件并计算相似度的方法，以识别事件并调整标签。新混合注意力网络和自适应MMIL池化方法有效解决了多模态学习问题，实验表明在弱标签条件下也能实现音频-视觉视频解析。