icassp2027-experiment/docs/progressive_feature_fusion_route_2026-09-02.md

从 pooled local evidence 到逐人跨模态交融：渐进实验路线（2026-09-02）

1. 目的和当前决策

这份路线回答一个具体问题：

在严格因果的 egocentric 多人对话中，如何逐步保留和利用可变数量人物的结构，使模型 在相同 wearer 开口召回率下，减少 other-to-other 交谈期间的错误开口，同时不损害真正 wearer 接话和让话行为？

当前实现把每帧人物 crop 的 Qwen visual encoder token 先平均为逐人向量，再对人物等权 平均，最后对最近约 1 秒的有效帧平均。局部音频也被池化，之后与全局 Thinker state G 拼接进入 MLP。这个基线计算简单，但会丢失：

• 同一帧内有几个人以及哪一个人更相关；
• 人与人之间的空间关系；
• 同一匿名人物在多帧中的连续运动和说话状态；
• 某个人与同期音频、Omni 历史之间的对应关系。

因此，普通 pooling 保留为 F0 基线，不再把继续加深 pooled MLP 当作主方法。第一项新 融合实验从 F1 Frame-set Attention 开始。后续模块只有在前一级通过预先定义的 gate 后 才实施。

实现状态（更新于 2026-09-07）：F1 已完成三 seed、四 epoch 的远程筛选，得到 81.77745 +/- 0.15638 的 0.2 秒 mAP 和 64.95099 +/- 0.09451 的十 horizon mean mAP。它表现稳定，但与旧 pooled 结果的 split/dev 协议并不匹配，而且尚无 correct/wrong 视觉控制，因此不能写成注意力优于 pooling。另加入两个仅用 当前 sidecar 的 F5/F6 screening 模式：audio-person-frame-set 和 gated-person-state-adapter。前者没有 F4 人物历史，后者位于 Thinker readout 之后；二者 都不能写成完整 F5/F6。第一版 F3 track-gru-residual 已实现但尚待远程运行；F2、F4、 真正的 F5/F6 和 D1 仍然只是计划。

2. 不可改变的实验条件

所有阶段共同遵守：

• 目标与全局 state 均为 5 Hz；第 t 行只能使用截止到 (t+1)/5 秒的媒体。
• 视频人物特征若为 2 FPS，在 5 Hz 预测点选择严格早于 cutoff 的最新人物集合，与已有 half-open local audio/visual 契约一致。
• 不允许用未来帧插值；同一 2 FPS 人物集合可以供多个 5 Hz query 读取，但不能伪装成 新观测去重复更新时序状态。
• EasyCom Session 4--12 为官方训练集，Session 1--3 为最终测试集。模型和阈值选择使用 训练集内部 calibration/dev；建议先固定 Session 12，训练使用 Session 4--11。
• G 是可能已经融合音频、视频和语言上下文的 Thinker state，不能称为纯全局视觉。
• 局部音频 A 始终直接进入最终预测头。即使它也参与 attention query，也不能只把 A 藏在 query 中，否则无法公平保留当前很强的 G+A 基线。
• 人物数量用 mask 和 NULL person 处理，不通过截断后静默补零改变语义。
• 所有新增模型与 G+A、pooled-V 以及参数量匹配的非结构化模型使用相同历史长度、 optimizer、epoch、seed 和有效样本。
• 至少运行 3 个 seed，并保存逐事件或逐 session 输出，支持 paired bootstrap。

当前事件 evaluator 尚缺 competing-risk censoring。正式训练选型前必须先完成 P0：

• other offset 后的 response 窗口在下一次 other onset 处截止；
• other onset 后的 yield 窗口在下一次 other offset 处截止。

P0 修正前的 entry/yield 数值只能称为 timing-derived proxy，不得作为模块通过 gate 的 最终依据。

3. 总路线

阶段	增量	核心问题	通过后才进入
F0	当前 equal-person/equal-frame pool	建立可复现起点	F1
F1	Frame-set Attention	当前对话状态能否选择相关人物	F2
F2	Spatial person interaction	人物相对位置是否提供额外多人线索	F3
F3	Track-temporal shared encoder	匿名人物连续性是否必要	F4
F4	Person-conditioned AV history	每个人读取音频和 Omni 历史是否改善 grounding	F5
F5	双向 person/audio interaction	更深交互是否优于单向读取	F6
F6	Thinker person-memory adapter	旁路证据能否安全接入 Omni 内部	D1
D1	在线 detector + causal tracker	部署管线与 provided-box 上限的差距	完整系统

F1 是下一项实现。F2 及以后不并行堆叠，避免无法判断收益来自哪一层。

4. F0：冻结现有 pooling 基线

在同一训练协议下至少保留：

ID	输入	作用
B0	G	全局 Omni 表示
B1	G + A	当前强局部音频基线
B2	G + pooled V	普通视觉池化的边际作用
B3	G + A + pooled V	当前完整 pooling 基线
B4	G + A + parameter-matched MLP	排除收益仅来自更多参数

还应保存以下视觉干预：

• remove-V；
• time-shift-V：只允许向过去错位，绝不能使用未来视觉；
• wrong-clip-V 或 session 内无关时间的人物集合；
• correct-V。

如果 correct-V 与错位/错误视觉没有稳定差异，不能把 B3 的变化解释为视觉 grounding。

5. F1：Frame-set Attention

5.1 输入和数据结构

预测时刻 t 使用：

• G_t：5 Hz 全局 Thinker state；
• A_t：截止到 t 的因果局部音频表示；
• P_t = {p_t,i}：最新可用视频帧中 N_t 个逐人 visual encoder 特征；
• M_t：人物有效 mask；
• 一个学习的 NULL person，负责没有检测到人物或当前人物均不相关的情况。

F1 不使用 track ID、不使用人物绝对身份 embedding，也不跨帧递归，因此对同一帧的人物 排列天然不敏感。

5.2 最小架构

先把不同来源投影到共同维度 d，首轮建议 d=256、4 heads、单层 attention：

q_t = W_g LN(G_t) + W_a LN(A_t)
K_t = W_k LN([NULL; P_t])
V_t = W_v LN([NULL; P_t])
U_t = MHA(q_t, K_t, V_t, mask=M_t)
logits_t = Head([G_t, A_t, U_t, valid_bits])

这里的语义是：G+A 描述当前 floor 和语境，作为 query 从当前可见人物集合中选择证据。 人物是 key/value，而不是先被无条件平均。A 仍然直接进入 Head，保证对 B1 的公平比较。

F1 暂不加入 bbox、track GRU、人物自注意力或 audio-to-person 反向 attention；这些都留给 后续独立消融。

5.3 空人物和可变人数

• 始终保留 NULL person，因此全部人物无效时 attention 仍有确定输出。
• 真实人物用 padding 加 mask 组成 batch；padding token 不得参与 softmax。
• 不设固定身份 slot。若训练需要 max_people，只允许按确定、与标签无关的规则截断，并 报告截断比例。
• 人物顺序改变后输出应在数值误差范围内不变，作为单元测试。

5.4 严格因果映射

对每个 5 Hz cutoff c_t：

1. 找到 frame_time 严格小于 c_t 的最新 local frame；
2. 读取该帧 frame_offsets 范围内全部逐人 feature；
3. 如果尚无帧，使用仅含 NULL person 的集合；
4. 不允许 nearest-neighbor 选到 c_t 之后的帧；
5. 记录 chosen_frame_time，测试所有 chosen_frame_time 严格小于 cutoff。

5.5 F1 必跑对照

ID	模型或干预	回答的问题
F1-a	G+A+Frame-set Attention	主模型
F1-b	G+A+pooled V	是否优于现有普通池化
F1-c	参数匹配的 learned pooling/MLP	是否只是参数或非线性增加
F1-d	correct set 换成 past-shifted set	是否依赖正确时间
F1-e	correct set 换成 wrong-clip set	是否依赖正确画面
F1-f	随机排列同一 set	验证 permutation invariance
F1-g	remove person set，仅 NULL	视觉是否真正被使用

可额外训练逐人 active-speaker probe，但它只诊断人物和声音是否可对齐，不能替代 wearer floor-action 结果。

5.6 F1 通过条件

必须同时满足：

1. correct F1 在训练内固定 dev 上稳定优于 B3 和参数匹配 F1-c；
2. correct set 优于 past-shifted、wrong-clip 和 NULL 控制；
3. 在相同 wearer onset recall 下，third-party false entry/min 下降；
4. wearer 应接话时的 recall/latency 和 wearer yield 不出现有意义退化；
5. 三个 seed 方向一致，paired session/event bootstrap 不显示收益完全由单一 session 驱动。

如果只提高逐帧 mAP 而事件指标无变化，则记录为 representation gain，不进入复杂 spatial 或 track 叙事。若 correct 与错误视觉没有差异，停止增加 attention 层，先审计 crop、 时间对齐和 person feature。

6. F2：加入空间人物交互

只有 F1 通过后才加入：

• 每人的归一化 bbox 几何：中心、宽高和面积；
• 一层共享 person self-attention；
• 可选相对几何 bias：dx、dy、宽高比的对数以及中心距离；
• 再由同一个 G+A floor query 读取增强后的人物集合。

关键对照为 F1、仅绝对 bbox、相对几何 bias 和错误 bbox。只有相对几何版本稳定优于这些 对照，才可以主张模型利用了多人空间关系；否则保留更简单的 F1。

7. F3：匿名 track-temporal 编码

只有空间或 frame-set 证据成立后，才测试跨帧人物连续性：

• 每条在线 track 维护共享参数的 causal GRU 或轻量 TCN；
• track ID 只用于路由隐状态，不能成为可学习身份；
• 只有新 2 FPS 帧到达时才更新一次，5 Hz 中间状态只读取最近缓存；
• track 丢失超过固定 max_age 后重置，所有 reset 规则预先冻结；
• 全局重命名 track ID 后预测必须不变。

对照包括 frame-set、无 ID temporal pool、正确 track、打断连续性的 track 以及 past-shift。 正确 track 必须优于无 ID 和打断 track，才能说明身份连续性有价值。

第一版实现为 track-gru-residual。它没有直接替换 pooled 头，而是从同 seed、同 split、 同 local contract 的 G+A+pooled-V checkpoint 精确复制并默认冻结 base path，再增加共享 track GRU、G+A 对 track states 的 masked attention 以及零初始化 scalar gate。这样训练 开始前 logits 与 pooled baseline 逐元素相同，空人物时 correction 恒为零，实验首先回答 “track continuity 是否提供增量信息”，而不会把随机重训 base 的波动误当作 GRU 收益。 实现、契约和命令见 easycom_track_gru_residual.md。

8. F4：Person-conditioned audio/Omni history

F4 让每个匿名人物分别读取已有的 5 Hz 因果历史：

C_A = MHA(H_person, A_history, A_history)
C_G = MHA(H_person, G_history, G_history)
H_prime = LN(H_person + tanh(alpha_A) C_A + tanh(alpha_G) C_G)

alpha 从 0 初始化，使新分支开始时退化为已验证的人物表示。增强后的 H_prime 再由 G+A floor query 读取。

这里必须使用一段真实的 5 Hz token history，而不是对单个 pooled audio vector 做形式上 的 attention。人物级 active-speaker 标签可以作为训练辅助监督，但人物声音标签永远不能 作为推理输入。

通过条件是 floor event 指标改善，而不只是 active-speaker probe 改善；同时 correct AV 必须优于 audio-only、visual-only、错位 audio 和错位 visual。

9. F5--F6：只在旁路证据充分后增加复杂度

F5 可增加一次 audio query 到人物 memory 的反向读取，形成单块双向 interaction。必须和 参数匹配 MLP、单向 F4、modality dropout 做比较。若收益不稳定，保留 F4。

代码中的 audio-person-frame-set 只用当前帧人物集合和当前 pooled audio 做上述反向读取， 并以零初始化 gate 从 F1 开始优化。它用于判断是否值得继续构建 F3/F4 历史，不满足本节 完整 F5 的输入和对照要求。

F6 才把验证过的人物 memory 通过零初始化 gate 接入 Thinker 上层，并比较：

• 无人物 memory 的参数匹配 Thinker LoRA；
• 冻结 Thinker 的 person-memory adapter；
• adapter 加上层 LoRA。

若 F6 不优于旁路，不为追求端到端表述牺牲可解释性，论文采用更简单的旁路模型。

代码中的 gated-person-state-adapter 把当前人物 context 以零初始化 residual 加到已经保存 的最终 Thinker state，只是 post-Thinker screening control。真正 F6 必须重新运行 Omni、 在指定上层 transformer block 内注入 memory，并和参数匹配 LoRA 比较。

10. D1：实际在线检测与追踪

方法验证阶段先使用数据集提供的 bbox/track，隔离融合能力。最终再替换为在线人脸或人物 检测器加严格因果 tracker，并报告：

• detection recall/coverage；
• ID switch 和轨迹碎片；
• max_people 截断比例；
• P50/P95 单步延迟；
• provided track 与 online track 的 floor 指标差距。

论文可以把在线 detector/tracker 作为部署前端，但不能把 provided ID 的结果直接称为完整 在线系统结果。

11. 评价和记录规范

P0 冻结后，主指标为：

• third-party false entry/min at matched wearer onset recall，至少报告 R=0.7/0.8/0.9；
• wearer onset event recall、precision 和 latency；
• wearer yield event recall、precision 和 latency；
• addressed-to-wearer recall/latency，仅用于有可靠 addressee 标注的 EasyCom 子集；
• 0.2--2.0 秒逐帧 AP/mAP，作为 EgoSpeak 可比的次级指标。

每阶段结果放在：

results/easycom_fusion_fN_<question>_<date>/
  README.md
  metrics.json or metrics.csv
  run configuration and checkpoint references

README 必须写明 split、seed、checkpoint、输入特征版本、评测协议和所有干预条件。最终 测试集不能反向用于选择 attention 维度、heads、历史长度或 stopping gate。

12. 最近执行顺序

1. 用户当前选择先做 dense-AP model screen；运行 matched pooled 与 track-gru-residual，固定 Session 12 dev，不用测试集选历史长度。
2. 若 track GRU 有稳定增益，补 broken-track、past-shift、no-ID 和 remove-person 控制；若 无增益，只在 dev 上比较 8/16/32 observations 后停止该分支。
3. correct track 通过控制后，再实现 F4 person-conditioned audio/Omni history；否则回到 对齐审计，不直接堆更深 interaction。
4. 在形成论文事件结论前，仍须完成 P0 competing-risk censoring，并人工打印 response 与 yield 时间轴。当前事件结果只能称为 timing-derived proxy。