Add causal oracle person information screen

literature_notes/55_speaker_embedding_egocentric_asd.md

@@ -0,0 +1,28 @@
+# Speaker Embedding Informed Audiovisual Active Speaker Detection for Egocentric Recordings
+
+- 作者：Jason Clarke、Yoshihiko Gotoh、Stefan Goetze
+- 发表：ICASSP 2025
+- 阅读深度：摘要、方法和实验设置重点阅读；未运行
+- 记录日期：2026-09-07
+- 来源：[IEEE Xplore](https://ieeexplore.ieee.org/document/10890414/)、[arXiv](https://arxiv.org/abs/2502.06012)、[作者公开论文](https://eprints.whiterose.ac.uk/id/eprint/223485/1/Jason_ICASSP_2025.pdf)
+
+## 摘要与项目关系
+
+该工作研究第一视角场景中候选人物的音视频 active speaker detection。作者提出 Speaker
+Comparison Auxiliary Network（SCAN）：除候选人的参考语音 embedding 外，还从当前混合
+音频的滑动窗口提取 speaker embedding，再通过 cross-attention 比较当前声音和已登记身份。
+论文同时提出自监督的 video face recognition 调优方法，用于构建更稳健的 face--speaker
+身份库。SCAN 接入 TalkNet 和 Light-ASD 后，在 Ego4D-AVD 上分别报告 14.5% 和 10.3% 的
+相对 mAP 提升。
+
+它说明显式 speaker reference/identity memory 在视觉遮挡或嘴部线索不可用时已有明确先例。
+因此本项目不应把“用 track identity 帮助音视频说话者判断”本身作为 novelty。更合适的限定是：
+人物轨迹保持匿名，不依赖预登记语音或长期身份库，只使用截止当前时刻可获得的因果轨迹，
+目标是预测不可见 wearer 的未来 entry/yield 行为。
+
+## 适用边界
+
+SCAN 需要候选人的预分离参考语音并建立 face--speaker library；这与本项目计划的在线、匿名、
+无 enrollment 场景不同。它仍然做当前逐人物 ASD，不评估 wearer 的未来错误开口、响应延迟
+或 yield。若以后引入 speaker embedding，必须单列 enrollment 依赖，并确保参考语音只来自
+预测截止时间之前，不能从整段视频或测试片段未来部分建立身份库。