做视频理解的人几乎都会遇到同一个转折类别从“跑步、骑车、喝水”换成“正常行走、扶墙行走、拖着腿行走”时模型的准确率会突然变得非常难看。类似问题在真实业务里非常普遍。比如判断一个人是不是在“投篮”粗粒度任务可能已经能到 90% 以上一旦要求区分“原地跳投、后仰跳投、勾手投篮”模型立刻乏力。再比如做饭场景中“切丝”和“剁块”在连续帧上的差别可能只是刀刃角度和手腕频率康复评估系统要判断“抬手是否耸肩”工业装配平台要确认“先插销再拧螺丝还是先拧螺丝再插销”这些都属于典型的细粒度动作识别。这个问题的本质并不是网络不够深也不是视频帧不够多而是特征表征被“摊得太开”。区分这一类动作模型不仅需要识别出“胳膊在动”还要能够捕获“哪个关节先启动、末端轨迹是什么、接触面在哪个位置”。如果所有类别都共用同一套深层特征那些低频但决定差别的细节很容易被全局平均池化掉。Fine-Grained Action Recognition with Cross-Attentive Latent Sparse Experts 这个方向真正想解决的正是这个瓶颈怎样用有限的训练数据为差异极小的动作类别分配差异化的计算路径而不是简单把网络加宽加深。这篇文章会围绕三个问题展开细粒度动作识别到底难在哪里Cross-Attention、Latent Sparse Experts 这类概念如何组织成一套完整思路如果你要复现或迁移到自己的视频任务应该怎么设计实验、怎么排错、有哪些工程坑需要提前避开。文末给出了一个可运行的 PyTorch 简化实现用来把三个核心概念串起来跑通前向反向流程。1. 细粒度动作识别真正的痛点在哪里