本文旨在研究视频中的重复性问题，采用小波变换处理视频的非静态和非平稳动态。通过流场及其微分，我们得到了 3D 中固有周期性的三种基本运动类型和三种运动连通性，以及研究 2D 周期性运动的 18 种基本情况，为了处理不同的重复外观，我们建议测量前景运动的时间变化流及其微分（梯度，发散和旋度），并介绍了一个新的数据集 QUVA Repetition 来验证我们的理论。 最后，我们得到了比深度学习方法更为良好的结果。

Feb, 2018

本文介绍了一种利用时间自相似性作为中间表征的方法，通过一定的限制来预测视频中重复动作的周期，结果表明，该模型在现有周期性和重复计数基准测试任务上显著超越现有技术，并在新的数据集 Countix 上显示了鲁棒性。

Jun, 2020

本文提出了一种多周期性检测的鲁棒而通用的框架，它应用最大重叠离散小波变换将时间序列转化成多个时间频率尺度，隔离不同的周期分量，通过我们提出的 Huber-periodogram 和 Huber-ACF 鲁棒地单周期性检测。我们还计算了基于 Wiener-Khinchin 定理的无偏自相关函数，以进一步优化检测到的周期。

Feb, 2020

提出了一种基于信息理论的新度量学方法，称为 Correntropy Kernelized Periodogram（CKP），通过将交叉熵与周期核相结合，对光度曲线的周期性进行识别，并可以直接从可用样本中计算，用于自动化地鉴别灯变曲线中的周期性，从马洛调查绘制的一组光度曲线中表现出优异的性能。

Dec, 2012

采用拓扑数据分析方法，我们从动力系统时间序列的图形化表示中提取了有关其周期性和混沌特征的信息，并使用序数分区框架构建了两种图形。该方法提供了更准确的动态特性描述，并具有更强的噪声鲁棒性。

Apr, 2019

使用事件相机对周期性现象进行测量的一种新方法，通过计算事件空间中时空窗口的相关性来估计频率，并通过峰值之间的时间差计算周期，该方法是非接触的且无需标记物，评估结果显示在周期性现象的三个实例中，相对误差低于 0.04%。

Feb, 2024

本文提出了一种新的框架，用于使用拓扑数据分析从三维运动捕捉数据中进行人类动作的动力学分析。我们利用动力系统吸引子的拓扑特征来模拟人类动作，使用时间延迟嵌入重构与动作对应的时间序列的相空间，并计算相空间重构的持久同调。我们在计算同调群时，结合了时序的相邻信息，以更好地表示相空间的拓扑特性。利用持久同调群的持久性来编码特征，用于动作识别。我们的实验结果表明，使用这些特征的识别效果优于其他基准方法。

Mar, 2016

对一个 66 人动态亲密网络数据集的研究表明，社交网络的拓扑结构会在时间尺度上演化，其演化行为被外部时间周期驱动，忽略连续时间数据转化为离散序列的偏差性使得网络结构估计变得更加偏倚，因此提出动态社交网络表现出一种自然时间尺度，并建议在此自然时间尺度上进行这种动态数据的离散序列最佳转换。

Nov, 2012

视频内的动作周期重复计数是一项旨在量化重复动作周期的任务，本研究提出了一种新方法，利用动作查询表示定位重复的动作周期，并进一步开发了两个关键组件，以解决时间重复计数的基本挑战。

Mar, 2024

通过使用基于坐标的 MLP 神经网络进行单个图像优化的方法，以及设计输入特征扭曲模块和周期性引导补丁损失函数来处理全局一致性和本地变化，同时引入周期性提议模块来解决周期性检测错误，从而学习出了一种神经隐式表示近周期图案的方法，并在 500 多个包括建筑立面、饰带、墙纸、地面和蒙德里安图案的单平面和多平面场景中证明了其有效性。

Aug, 2022