该研究提出了一种自底向上的场景理解方法，通过推断点云中物体之间的支撑关系和利用平面对的空间拓扑信息，实现了原始物体分类和支撑关系推理。该方法构建了包含原始级别和物体级别的场景层级图，表现出色且具有可扩展性。

本文介绍了一种评估和对比Live/Motion照片与传统基于图像的方法在视觉辅助任务中的有效性的简单方法。实验证明，Live照片和运动照片在物体分类和VideoQA等任务中优于单帧图像。通过在ORBIT数据集上进行大量实验验证了这一结果，并进行了消融研究以深入研究去模糊和较长时间剪辑的影响。

聆思CSK6视觉语音大模型开发板提供了摄像头/麦克风/扬声器/屏幕/网络模组等硬件资源，适合视觉类、语音类应用开发。支持语音唤醒、坐姿检测、人脸识别、物体分类等AI能力。开发套件可联网进行大模型语音交互和视觉识别。使用type-c数据线连接电脑和开发板，打开串口日志调试工具，输入WiFi指令联网。开发套件还可使用其他AI能力，如单词评测。