本文研究在没有监督训练下在时间上连续的视频数据中进行无监督特征学习的方法，主要包含自编码器、时间和稀疏性正则化、缓慢特征学习和度量学习，最终得到一个更具有时间和语义一致性的度量方法。
Dec, 2014
该研究旨在探讨基于无监督学习的视频数据特征学习，利用自编码器技术和慢特征学习，提出一种更为时空连贯、语义更为相似的度量标准。
Apr, 2015
本研究提出了一种名为时间调谐的方法，通过在无标签视频上使用一种新颖的自监督时序对齐聚类损失函数，从而提高视频和图像的表示质量，进而改善了现有最先进方法在无监督语义分割方面的效果。我们相信这种方法为进一步利用丰富的视频资源进行自监督学习的规模化铺平了道路。
Aug, 2023
本文提出了一种使用时间自我监督的算法，采用 GAN 生成视频的方式解决了时间关系难以探索的问题，同时提出了 Ping-Pong loss 用来改善长期时间一致性问题，并且介绍了一组评估模型的定量指标。
Nov, 2018
本文提出了一种新的基于时间一致性递进学习的框架，利用自监督辅助任务来捕捉未被标记的轨迹之间的关系，从而更好地实现视频检索中的标记，相比现有技术提高了高达 8% 的未标记数据真实标记的准确性和重识别的性能。
Jul, 2020
本文提出了一种基于时间相干性的新的主动学习方法，旨在利用物体检测的检测结果来定义一个图形模型，以最小化图形模型上定义的能量函数，从而提供假阳性和假阴性的估计。同时我们还引入了一个名为 SYNTHIA-AL 的合成视频数据集来评估在道路场景中的视频物体检测中的主动学习，最后证明本方法在两个数据集上的表现优于主动学习基线。
Aug, 2019
本文提出了一种端到端可训练的深度学习模型，利用时间信息来利用易于获取的未标记数据，从而解决了视频分割中标签稀缺的问题。实验结果表明，该模型能够显著优于基线方法和逐帧图像分割。
本文提出了一种用于在小部分标记的情况下训练深度神经网络的简单高效方法，采用自我模拟方案的集成预测来提高标签的未知性，从而使得在两个标准半监督学习基准测试中加快速度并实现更好的性能。
Oct, 2016
本文提出了一种基于自我监督学习的视频时序对齐表征学习方法，其通过训练神经网络使用时间循环一致损失（TCC）来找到多个视频之间在时间上的对应关系，从而得到每一帧的表征，可用于快速地对视频进行对齐和分类。该方法在少量监督数据和其他自监督方法上都有较好的表现，同时还可用于多种视频应用领域的数据同步和异常检测。
Apr, 2019
本文利用深度递归神经网络，结合短期、长期以及感知上的损失，为视频处理提供了一种基于帧的将原始视频和处理后的视频作为输入，生成时间上连贯的视频的方法，实现了对多种需求的处理，且无需光流计算，具有实时性能。
Aug, 2018