CAST-ASD：面向在线主动说话人检测的说话人与时间因果注意力模型

CAST-ASD 是一种因果联合主动说话人检测（ASD）模型，在当前帧内对多张人脸做场景级注意力、对每张人脸历史做因果时间注意力，实现零前瞻的说话人信息共享，参数量不随人脸数增长。在 MSDWild 上，它相对所扩展的因果逐人脸检测器将竞争说话人误报降低 32%，场景占用越高增益越大，并在两个验证划分上优于所有因果基线，说话人间参数量仅为三块固定名单卷积的十分之一。代码与模型已公开。