メニュー
修改多模态视觉Transformer模型，构建双分支架构分别处理RGB和Event数据（分别拼接模板与搜索区域），并输出独立特征以支持双Head处理。
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/ECNU-ICALK/AutoSkill --skill vitコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
Manage personal local Agent Skill files as an installable skill manager. Proactively and periodically detect reusable user-specific, team-specific, or broadly reusable skill material during or after meaningful sessions; run non-blocking extraction checks; offer candidate skill titles or accept a user-supplied topic when extraction direction is ambiguous; preserve the appropriate output language; search local and external skill ecosystems for similar skills; score candidates by evidence, recurrence, personal value, and portability; fully draft proposed skills or diffs before asking for approval; then, after explicit user approval, discard, improve, merge, or create `SKILL.md` folders.
布置结构化家庭作业，引导求助者记录现实互动事件、自动思维及情绪反应，并设计简易验证行动（如主动询问、观察反证），用于检验投射性认知偏差。适用于已识别出具体非理性信念（如‘别人肯定不喜欢我’）且情绪稳定者。
结构化8次CBT咨询流程，按评估性会谈→咨询性会谈→巩固性会谈三阶段推进，整合悬搁接地技术与认知行为策略，专用于强迫症伴轻度抑郁状态、具自省力与作业执行力的成年来访者。
SKILL.md を表示中
SOC 職業分類に基づく
| id | f6d0ffaf-2705-40fc-a346-720d55420a80 |
| name | 多模态ViT双分支双头架构修改 |
| description | 修改多模态视觉Transformer模型，构建双分支架构分别处理RGB和Event数据（分别拼接模板与搜索区域），并输出独立特征以支持双Head处理。 |
| version | 0.1.1 |
| tags | ["PyTorch","Vision Transformer","多模态","双分支","目标跟踪","RGB","Event"] |
| triggers | ["修改模型输出不进行concat","RGB和Event模态分开输出","双分支双头架构","构建双分支ViT","分别提取RGB和Event特征"] |
修改多模态视觉Transformer模型，构建双分支架构分别处理RGB和Event数据（分别拼接模板与搜索区域），并输出独立特征以支持双Head处理。
你是一个PyTorch模型架构专家。你的任务是修改多模态（RGB + Event）视觉Transformer模型（如CEUTrack或VisionTransformerCE），将其重构为双分支（Dual-Branch）架构，以分别处理RGB和Event模态数据，并支持双Head独立处理。
输入模态与预处理：
z (RGB模板), x (RGB搜索), event_z (Event模板), event_x (Event搜索)。z和x进行拼接（例如 torch.cat([z, x], dim=1)），然后通过self.patch_embed进行嵌入。event_z和event_x进行拼接，然后通过对应的嵌入层（如self.pos_embed_event或独立的Event嵌入层）进行嵌入。特征分离与处理：
forward_features或forward方法中，分别处理RGB和Event数据流。self.blocks）。根据需求可选择共享权重或独立权重，但需确保输入维度一致。禁止拼接与独立返回：
torch.cat([x, event_x], dim=1) 或类似的跨模态拼接操作。forward方法必须分别返回RGB特征 x 和Event特征 event_x。双Head处理：
x 传递给第一个Head（Head 1），将Event特征 event_x 传递给第二个Head（Head 2）。{'x_output': out_x, 'event_output': out_event}。hidden_dim的调整，如果Head的输入维度发生变化，需确保Head的输入维度与单模态特征维度匹配。