该论文提出了一种使用可穿戴照相机实现自动社交模式刻画的系统，其中通过检测与相机佩戴者互动的人，并将检测到的社交互动分类为正式和非正式两个步骤，在事件级别上对每个潜在的社交事件进行建模，并使用 LSTM 网络进行时间序列分类。最终通过聚类同一个人在整个社交互动集中的出现来全面理解用户的社交关系的多样性和频率。实验表明，该系统应用于自我中心的照片流上的社交模式刻画任务取得了有望的结果。

Sep, 2017

本文研究利用深度学习，以图像流中的高级特征为基础识别佩戴式摄像机的运动，并弥补设备低帧率带来的连续帧之间的差异罅隙，从而提升了辅助技术应用中的活动识别效能。

Aug, 2017

利用可穿戴相机的图像数据，结合卷积神经网络和递归神经网络的优点，提出了一种基于批量处理的系统来识别 21 种日常活动，准确率达 89.85％，优于现有的端到端方法。

Oct, 2017

本研究提出了一种基于深度学习的新方法，用于解决从第一人称视角识别互动的问题，其通过一对卷积神经网络提取视频连续帧的特征，然后使用卷积长短时记忆将这些特征进行聚合，最后采用分类算法对记录下的镜头进行分类识别。

Sep, 2017

该研究使用卷积神经网络提取语境和语义信息，并通过语言处理技术将其定义为概念，然后利用时间上的连续性将共享上下文和语义属性的图像组合在一起，从而实现佩戴式相机拍摄的照片流的自动语义分割，并在活动识别等方面取得了优秀的效果。

Dec, 2015

该研究提出了一种基于长期自我运动线索的学习方法来检测佩戴者在穿越场景时的注意力，特别是在需要获取新的视觉信息时，与以前的研究相比，该方法可以独立于场景外观和佩戴者身份来有效地检测 engagement。

Apr, 2016

本研究提出了一种双重关系建模框架，其中包括一种新颖的交互式 LSTM 模块，一个参与者注意模块和一个全局 - 局部运动模块，以显式地建模摄像头佩戴者与交往方之间的关系，并利用此框架进行自我中心交互识别，表现出了对现有技术的优势。

May, 2019

提出了一种基于关键帧选择的摘要方法，该方法利用卷积神经网络提取的视觉特征对由佩戴式摄像头拍摄的自我记录图像流进行视觉摘要，通过无监督聚类将图像流划分为事件，并从每个事件中提取最相关的关键帧。经过盲品测试验证结果的质量。

May, 2015

该研究提供了自动工具，可通过每日拍摄的照片流来个性化分析人们的健康习惯，并提出了一种新的自动分类方法来分类与食物相关的环境，同时构建了一个具有语义层次结构的模型，并介绍了一个超过 33000 张图像的数据集，其分类准确度和 F 分数分别为 56％和 65％，明显优于基线方法。

May, 2019

本文提出了一种基于学习的方法，通过与另一个人的互动来估计身穿相机人的三维身体姿态，演示了我们的想法在多个领域的相关应用和视频实现。

Apr, 2019