See, move and hear: a local-to-global multi-modal interaction network for video action recognition

计算机科学 模态（人机交互） 编码器 吉他 交叉模态 块（置换群论） RGB颜色模型 代表（政治） 人工智能 情态动词 模式 光流 语音识别 计算机视觉 视觉感受 图像（数学） 几何学 社会学 操作系统 政治 经济 神经科学 生物 化学 管理 高分子化学 法学 社会科学 数学 感知 政治学