镜头切分（Shot Detection）指的是一件事：自动找出视频里每一次"换镜头"发生的时间点，把一段连续的视频切成一个个镜头（shot）。
它到底在找什么
视频不是一镜到底拍出来的，而是很多个镜头拼起来的。镜头之间的接缝主要有两类。一类是硬切（hard cut），上一帧还是这个人，下一帧直接变成另一栋楼，一帧之内完成切换。另一类是渐变转场（gradual transition），比如淡入淡出、叠化、划像，画面在几帧到几十帧里慢慢过渡过去。镜头切分要做的事，就是逐帧判断"这里是缝吗"，最后输出一串镜头边界的时间码。
可以把它理解成给视频断句。文章靠句号切成句子，视频靠镜头边界切成镜头。人类看片时几乎不会注意到自己在断句，但机器必须显式地算出这些句号在哪里。
机器怎么找这条缝
最朴素的办法是比相邻两帧的差异：像素差、颜色直方图差、边缘变化。硬切会让差异突然跳一个高峰，很容易抓。渐变转场就麻烦，差异是缓慢爬升再回落，看上去和普通运镜差不多，所以实践中会叠加更多线索——运动向量、音频突变、画面纹理变化——再用分类器或者时序模型判断。
现在主流做法是把连续若干帧喂给三维卷积网络（3D CNN）或时序 Transformer，直接输出每个时间点的"是/不是边界"概率。真正的难点从来不是找到明显的切点，而是别被假动作骗到：镜头内快速摇镜、闪光灯、有人突然闯入画面，都会让简单方法误报。所以工程上通常要在准确率和召回率之间找平衡，宁可多切几个，也别把两个镜头粘成一个。
它和几个邻居的区别
| 概念 | 回答的问题 | 输出 |
|---|---|---|
| 镜头切分（Shot Detection） | 哪里换镜头了 | 镜头边界时间点 |
| 场景切分（Scene Detection） | 哪些镜头在讲同一件事 | 语义段落 |
| 关键帧提取（Keyframe Extraction） | 每个镜头用哪一帧代表 | 代表帧 |
| 时序动作分割（Temporal Action Segmentation） | 谁在什么时候做了什么 | 动作区间与类别 |
镜头切分是纯底层的结构活，它不判断画面里有什么，也不关心内容讲得通讲不通。场景切分、视频摘要、动作识别都建立在它之上。
为什么它重要
对做 AI 的人来说，镜头切分是视频理解流水线的第一道工序。切得准，后面才谈得上按镜头做标注、做检索、做剪辑。构建多模态训练数据时，视频和文本要对齐，最常见的对齐单位就是镜头；长视频要拆成可检索的片段，第一步也是先断句。
对普通职场人和剪辑新手，它的存在感体现在那些"一键"功能上：剪辑软件里的场景检测能自动把一小时的素材切成小片段，长视频能自动生成章节，直播回放能被平台切成若干条短视频。这些功能背后第一步都是镜头切分。
最后提醒一句：镜头切分只负责找到刀口，至于从哪剪、剪完拼成什么，那是下游的事。它是断句，不是写文章。