事件相机动作识别不再只看单帧：把长序列切成多帧，THU-EACT-50 CHL 上准确率从30.5%升到78.7%

事件相机动作识别改用多帧表示后，长时复杂动作的判别力明显提升，单帧表示在长序列上会迅速失效。 此前常用的Event Histogram、Time Images和CSTR等单帧表示对短事件序列有效，但序列变长、动作变复杂后性能下降。 在THU-EACT-50 CHL上，CSTR从单帧的30.5%升到多帧的47.4%，Event Histogram从24.1%升到47.1%。

事件流被切成多个不重叠时间段，每段各自算出一张帧式表示并单独切块，再按事件活跃度挑出信息量大的块送进模型。 多帧会放大事件数据本身的稀疏性并增加输入块数量，直接堆帧会让计算量难以承受。 在THU-EACT-50 CHL上，单帧时把块预算减半反而把准确率从29.4%提到46.5%，两帧时保留一半块同样最好。

预训练用稀疏感知掩码，按活跃度分数提高高活跃块被保留为可见上下文的概率，解码器还用多个位置相关的掩码标记。 标准随机掩码不看块内容，在75%掩码率下解码器拿到的上下文可能几乎为空，帧数越多这种风险越大。 在THU-EACT-50 CHL的线性探测中，稀疏感知掩码在CSTR和Event Histogram上各再提升约4个百分点，多个掩码标记在两种表示上都优于单个。

这套方法面向长时、复杂的事件相机动作识别，在THU-EACT-50 CHL和DailyDVS-200上以线性探测和微调评估，预训练与评估默认在同一数据集上进行，也报告了先在DailyDVS-200预训练再在THU-EACT-50 CHL微调的迁移设置。读者若关心短序列或其它事件表示，可先看多帧切分与活跃度选块是否同样带来增益。

掩码标记的最优数量并未在所有实验中找到统一值，性能随稀疏偏置参数和所用事件表示变化，作者认为需要更多研究才能给出更通用的建议。从四帧增到八帧时，短动作sneeze略有提升而长动作tie shoe laces略有下降，说明时间分辨率的作用可能因动作时长而异。