本文探讨视频动作检测（VAD），强调分类的重要性高于演员定位。通过减少对演员的偏见，关注动作类别相关的上下文，改进分类效果。研究展示了多种新模型，如SAFSAR和基于姿势增强的视觉语言模型，在多个基准测试中表现优异，提升了视频理解和动作识别的准确性。

本文提出了一种语义感知少样本动作识别模型（SAFSAR），通过3D特征提取和特征融合实现高效性能，且无需复杂组件。实验结果表明，SAFSAR在多个少样本动作识别基准上显著提升了性能。