PAM（Perceive Anything Model）模型通过3B参数实现图像和视频的分割、识别与描述，支持多种输出，且数据已开源。该模型在多个基准测试中表现优异，具备高效推理和轻量化特点，适用于AR/VR等场景。

本研究提出了一种新方法VFAT-WS，旨在提高视频识别中的对抗训练效率和鲁棒性，通过时间频率增强和一致性正则化，训练速度提升近490%。

SnapPix系统通过传感器内的模拟域压缩，解决了边缘计算中的能量有效图像采集问题。该系统与视觉模型共同设计，显著提升了视频识别和重建性能，能耗降低高达15.4倍。

本研究提出了一种新的视频识别方法Uni-AdaFocus，旨在解决视频理解中的数据冗余问题。该方法整合了时空动态计算，显著提高了计算效率，并在多个基准数据集上超越了现有技术。

本研究利用SlowFast深度神经网络分析行车记录仪中的近失事件，显著提高了交通近失视频的识别准确性，为提升交通安全和理解事故中的认知错误提供了新见解。

本文介绍了SlowFast网络在视频识别中的应用，通过结合Slow路径和Fast路径来提高识别精度。同时，研究了SpeedNet模型的自我监督学习、视频加速技术、视频生成模型的优化及Contextualized World Models的引入，显著提升了机器人操作和自动驾驶等领域的样本效率。此外，提出了VSTAR方法以改善长视频生成的动态性，并开发了新数据集LVD-2M以推动长视频生成研究。

本研究探讨了视频生成过程中的先验知识是否适用于视频识别，并提出了GenRec，这是一种将生成与识别联合优化的统一框架。GenRec通过随机帧条件过程实现了显著的表现，在信息有限的情况下，其识别准确率达到75.8%和87.2%，展示了其在视频生成和识别任务中的潜在影响力。

本研究探讨了视觉与语言的交叉模态关联，发现视觉知识能有效提升语言模型在视觉任务中的表现。通过多模态模型，研究了视觉-语言概念系统及其在视频识别中的应用，并提出了基于知识图谱的视觉语言学习模型，以解决知识缺失问题。

本文提出了一种基于核范数优化的运动捕捉方法，能够在无需特定相机或训练数据的情况下重建运动场景。研究表明，利用文本转换器进行视觉模仿学习在低数据情况下的表现优于传统方法。此外，提出的多视角变形器和视频识别框架在训练和推理速度上显著提升，适用于智能机器人和视频行为理解任务。

本文提出了一种基于深度学习的自动分类方法，针对胸、腹部和盆腔的三维MRI序列，实验结果优于传统分类器。研究还探讨了视频识别技术在医学影像中的应用，显示出更高的有效性和更少的可训练参数。此外，研究涉及多种深度学习模型在MRI图像分类中的应用，推动了医学成像与视频理解的融合。

本文介绍了多种视频识别和动作识别模型，包括流式视频架构“Streaming Vision Transformer”和SlowFast网络，强调了它们在提取时空特征和提高识别准确度方面的优势。同时，研究了长视频变压器（LoViT）和基于Transformer的ViFiT模型在视频数据处理中的应用，展示了在不同任务中的性能提升。

本文提出了一种双重注意力块的方法，可提高图像/视频识别性能，在ImageNet-1k数据集和动作识别任务中取得最先进的成果。

本文提出了一种自动重建和交互的3D运动方法，能够估计人和物体的3D姿势、接触位置、力和扭矩，并在输入视频中自动识别出接触位置和时间。该方法在真实数据集和互联网视频数据集中验证了其性能。

该文介绍了AVGN音视频感知网络，使用划分视频片段、轻量级编码器和音频增强等技术，实现了高效的视频识别。该网络在多个基准测试中取得了最高性能并实现了更快的处理速度。