原来的动作识别问题在于标注太难太贵，将动作表示为短语的latent space太大

本文的贡献：（1）将CLIP的image encoder换成video encoder，方法与CLIP4Clip几乎一样

（2）CLIP的ground truth来自于文本-图像对，几乎是独立的，所以只有对角线上是正样本。但这里的text是动作标签，当batch比较大的时候，同一行或一列会出现多个正样本，这时不再是一个one-hot的问题，所以把cross entropy换成KL divergence

（b）对文本做前缀、完型、后缀的prompt

（c）把时间和空间上的token放一起丢给网络学习，也就是加上position embedding

（d）shift是在特征图上做各种各样的移动，达到更强的建模能力，但又不增加计算量。视频领域需要时序上的改变，19年tsm的论文正式将shift应用到视频，从此大火。每个ViT block之间加一个tsm的module，增强模型持续建模的能力，又不额外引入参数 

（efg）与CLIP4Clip一样，得到很多单帧表示后需要融合