基於條件自回歸歸納偏差的以物件為中心的時序一致性

本文提出了一種名為條件自回歸插槽注意力（CA-SA）的模型，旨在解決視訊中以物件為中心的表示學習中的時序一致性問題，並通過視訊預測和視覺問答任務驗證了其有效性。