第一人称视频嵌入编码了什么，以及如何与惯性传感器结合用于人体活动识别

研究分析 VideoMAEv2、CLIP、DINOv2 与 VC-1 的第一人称视频嵌入，发现其主成分主要由相机朝向与场景布局解释，肢体惯性信号则负责区分不同人的活动。在 WEAR 数据集上，去除时间顺序并按每秒片段取一个随机肢体，将惯性预测沿去除主成分的参与者内视频图传播，主体交叉验证 macro-F1 从 0.648 提升至 0.852；单分类器融合或在图中加入惯性边效果更差。