深度分析 VideoSEMA：以 Mamba-like 結構優化視訊理解的運算效率 針對視訊理解中運算成本過高的挑戰，研究團隊提出 VideoSEMA 模型。該技術採用空間-時間分離注意力框架，在空間端導入類 Mamba 的 SEMA 模組以降低複雜度，時間端則維持標準注意力機制。實驗顯示，VideoSEMA 在 K400 與 SSv2 數據集上的準確率優於同規模的 Transformer 與 Mamba 模型，且能更穩定地處理高解析度視訊輸入。
