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（2026-09-02）：F1 的 loader、head、train/infer 路径和回归测试已经加入代码，
但尚未在远程 PyTorch/L20 环境完成 runtime smoke，不能写成已验证结果。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。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。

## 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. 完成并测试 P0 competing-risk censoring，人工打印至少一条 response 和 yield 时间轴。
2. 扩展 local sidecar loader，使其在不破坏现有 pooled 加载路径的情况下返回逐帧人物
   feature、offset 和 mask；测试成功、失败、空人物和越界路径。
3. 实现 F1 最小 Frame-set Attention，不加入 bbox 或 track temporal。
4. 单 session/短片 smoke：检查 shape、cutoff、chosen frame time、mask、空人物和排列
   不变性。
5. 在固定 train-internal dev 上运行 B1、B3、F1-a、F1-c、F1-d、F1-e 和 F1-g。
6. F1 通过后才进入 F2；若未通过，优先审计人物 crop 和 AV 对齐，不继续堆模型。