舍弃细节、抓住要点：面向视频识别的动态概念表示框架

研究提出将概念瓶颈模型（CBM）的图像识别扩展到流程性视频理解的框架，把多步视频表示为分段时间级概念分数向量序列，再用 Transformer 编码器预测类别标签。在烹饪与家务活动视频上评测三种粒度概念集，发现粗粒度概念已足以分类这些视频，说明细粒度文本描述可能并不必要。框架还可估计各概念对预测的贡献以增强可解释性。