许多视频识别的时序方法依赖显式的跨通道聚合投影，计算复杂度随通道数呈二次增长，导致开销巨大。与此同时，现有的时空表征要么偏向局部顺序交互（CNN），要么偏向全局顺序交互（Transformer），难以兼顾两者。基于 MogaNet 的多阶空间表征，我们提出两项互补改进。第一，针对时序建模，引入仅使用 depthwise 卷积的并行多阶处理，并通过隐式门控聚合实现跨通道聚合，复杂度仅随通道数线性增长，显著降低计算。第二，设计空间‑时间双向交互，使空间和时间维度相互强化，提升时空表征而不增加额外开销。将两者结合后，VideoMogaNet 在 UCF101、HMDB51、Kinetics‑400、Diving48 等多项基准上达到或超越最先进的动作识别性能，同时大幅削减时序分支的计算成本。
点评：该工作通过线性复杂度的时序模块和空间‑时间双向交互，在保持或提升精度的同时显著降低算力，是视频识别领域一次实用性与效率兼顾的突破。