本研究提出了一种半监督学习方法，利用音频源定位引导的混合技术，解决视频动作识别中的高注释成本问题。该方法结合视觉和音频信息，尽管标记数据量少，仍能显著提升在UCF-51、Kinetics-400和VGGSound数据集上的表现，具有重要应用潜力。

本研究提出了一种多模态时空适配器（MSTA），旨在解决视频动作识别中的灾难性遗忘问题，提升文本与视觉表示的对齐度，减少学习参数，同时保持模型的泛化能力，展示了提高迁移学习效率的潜力。

本研究整合3D特征和深度图像提升视频动作识别准确性，解决复杂场景挑战。实验证明方法优于现有网络在Something-Something V2数据集上，具有应用潜力。

提出了一种名为Slice Shift UNet (SSH-UNet)的新型二维模型，通过移动部分特征图重新融合被2D卷积忽视的第三个维度。验证了该方法在多模态腹部多器官分割和除颅骨外多图谱标记数据集中的有效性，表明SSH-UNet在性能上与最先进的架构相媲美，且更高效。