已收录文章摘要，完整内容可前往原文阅读。
如果想开发一个视频理解应用，你会怎么做？一种常见的思路，是把视频中的信息逐层剥离。例如动作理解，原始像素转化为人体关键点，连续动作经过时序分割变成片段，整个过程要尽可能抛弃与任务无关的干扰信息。问题也