本文提出了一种有效的无监督方法，基于高可能的正面特征的自动选择和学习，生成前景对象软分割遮罩

Apr, 2017

提出了一种无监督学习方法，基于 Siamese 相关滤波网络，在前向追踪和反向追溯之间进行一致性测量来训练视觉跟踪器，并提出了多帧验证方案和一种成本敏感的损失来促进无监督学习，该方法在速度上达到实时水平，在不使用昂贵标记数据的情况下，实现与现有标准跟踪器相当的准确度，而且在使用更多未标记或弱标记数据的情况下，该方法有进一步提高跟踪精度的潜力。

Jul, 2020

我们提出了一种通过无监督 / 自监督学习训练单阶段目标检测器的创新方法，该方法有潜力彻底改变标注过程，大大减少人工标注所需的时间和成本，并为之前难以实现的研究机会铺平了道路。与现有的主要针对分类任务的无监督学习方法不同，我们的方法承担了目标检测的独特挑战，开创了 intra-image 对比学习与 inter-image 对应的概念，能够获取目标检测所需的重要位置信息。该方法熟练地学习和表示这些位置信息，并生成信息丰富的热图。我们的结果展示了 89.2% 的卓越准确率，在计算机视觉领域的无监督目标检测领域突破性地提高了 15 倍，相比随机初始化。

Feb, 2024

本文介绍了一种基于无监督学习的视觉特征提取方法，采用运动分割技术自动从视频中得到图像分割信息进行卷积神经网络训练，结果在涉及少量目标训练样本的场景下显著优于现有无监督学习方法。

Dec, 2016

本研究提出了一种基于交替网络和路径监督的无监督学习方法，不需要依赖摄像机佩戴者或第三方注释者的重要目标检测，该方法在两个不同的数据集上实现了与有监督学习类似或更好的结果。

Nov, 2016

本文提出一种基于弱监督学习的目标检测和检索方法，通过对视频进行自然主体提取，使用对比采样处理背景拒绝，使用聚类评分算法解决高噪声标签问题，针对 11 个手动标注目标在 5000 帧中的评估结果与弱监督方法进行比较并提供上限参考。

May, 2019

从背景入手，在不需要强烈假设对象本身的情况下，提出了一个基于特征检测的模型 FOUND，用于无监督的显著性检测和对象发现，并在这些任务上取得了国际领先的成果。

Dec, 2022

本文介绍了一种使用大量未标记数据进行无监督学习的方法，通过使用数十万个未标记的 web 视频作为数据集，设计了一个具有排名损失函数的 Siamese-Triplet 网络，用于深度卷积神经网络的无监督学习，可在不使用 ImageNet 的情况下，获得 52% 的 mAP 的性能，并展示了此非监督网络在其它任务中表现出竞争性。

May, 2015

本文探索使用未标注的视频序列自动生成未知类别对象的训练数据，介绍了一种基于贝叶斯方法的自动创建训练集的方法，并通过实验证明其能够显著提高分割未知类别对象的性能，从而可以利用丰富的互联网视频实现开放世界的实例分割。

Apr, 2021

本文提出了一种无监督学习 CNNs 的方法，通过从视频帧中提取面孔对来获得受监督的训练数据并获得比手工制作特征和最先进的深度网络更高的低分辨率验证准确性，表明开发适用于姿势和光线变化的人脸验证模型是可行的。

Mar, 2018