Abstract: 图像模型的跨域迁移已成为解决视频理解问题的有效范式，但其使用的方法仍有改进空间：全量微调计算开销大且易产生性能波动；多数参数高效迁移学习（PETL）方案采用单一适配器，在长程时序依赖与小样本场景中的时空表征能力易受限，更关键的是，现有方法普遍依赖隐式时序建模而忽视显式运动先验，导致难以充分捕捉复杂运动模式。为此，本文提出结构化适配器框架FDA4Video，基于PETL范式实现图像模型的高效适配：设计解耦式双路径适配器架构，同步捕捉局部动作细节与长程时序关联；提出光流移位协同注意力机制，将显式运动表征深度融合到时序建模过程中以强化跨帧依赖；同步引入可学习时间位置嵌入提供时序坐标基准，通过分阶段残差融合策略保障表征完整性。实验表明，该框架在Kinetics-400、UCF101和HMDB51上分别取得85.6%、98.2%与83.9%的准确率，较基线方法在减少约26%新增参数的前提下平均精度提升1.6%~2.2%，整体性能可媲美先进PETL策略，为图像模型的视频化迁移提供了一条兼顾精度、轻量与效率的技术路径。

摘要： 图像模型的跨域迁移已成为解决视频理解问题的有效范式，但其使用的方法仍有改进空间：全量微调计算开销大且易产生性能波动；多数参数高效迁移学习（PETL）方案采用单一适配器，在长程时序依赖与小样本场景中的时空表征能力易受限，更关键的是，现有方法普遍依赖隐式时序建模而忽视显式运动先验，导致难以充分捕捉复杂运动模式。为此，本文提出结构化适配器框架FDA4Video，基于PETL范式实现图像模型的高效适配：设计解耦式双路径适配器架构，同步捕捉局部动作细节与长程时序关联；提出光流移位协同注意力机制，将显式运动表征深度融合到时序建模过程中以强化跨帧依赖；同步引入可学习时间位置嵌入提供时序坐标基准，通过分阶段残差融合策略保障表征完整性。实验表明，该框架在Kinetics-400、UCF101和HMDB51上分别取得85.6%、98.2%与83.9%的准确率，较基线方法在减少约26%新增参数的前提下平均精度提升1.6%~2.2%，整体性能可媲美先进PETL策略，为图像模型的视频化迁移提供了一条兼顾精度、轻量与效率的技术路径。