本研究提出了一种基于生成对抗网络的视觉分析框架来改进部分观察视频的特征辨识度，包括一个卷积神经网络用于特征提取，一个 LSTM 用于估计残差误差，并使用对抗生成网络来提高部分观察视频的辨别能力，在 UCF101，BIT 和 UT-Interaction 数据集上实验结果表明，本方法在动作预测方面优于现有技术。

Apr, 2019

该论文提出深度卷积生成对抗网络（DCGANs）可以用于无监督学习，通过在各种图像数据集上的训练，证明了 DCGANs 能够学习从物体部分到场景的表示层次结构，并且可以用于一般图像表示。

Nov, 2015

提出一种新颖的半监督、多层级顺序生成对抗网络（MLS-GAN）架构来进行群体活动识别，该网络架构利用个人和场景等级的特征，通过 LSTMs 实现映射，通过新颖的门控融合单元进行基于动作的特征融合，学习当前群体活动的中间表示或 “动作代码”，并具有半监督行为，可实现群体动作分类，相较于其他结构表现出更优秀的效果。

Dec, 2018

提出了一种使用跨体系伪标签与对比度学习的半监督行为识别方法，其中结合 3D 卷积神经网络（3D CNN）和视频变换器（VIT）的独特方法能够有效捕捉行为的局部和全局上下文信息，从而在标记数据的一小部分情况下实现了卓越的性能。

Apr, 2024

通过建立一个可解释的参数生成数码，我们使用程序生成和其他现代游戏引擎的计算机图形技术生成了一组逼真、多样化和符合物理规律的人类动作视频，含 39,982 个视频。利用 UCF101 和 HMDB51 数据集的实验表明，我们的方法可以通过结合使用大量合成视频和小型真实数据集，大幅提高识别性能，明显优于现有的无监督生成模型的微调。

Dec, 2016

本文介绍两种基于卷积神经网络的半监督学习方法，用于加强原有的分类器对未标记的数据的识别，通过实验，表明我们的 CNN 在活动识别领域中的性能优于有监督学习方法和传统的半监督学习方法，Fm 得分甚至可以提高 18%。

Jan, 2018

本论文提出了一种名为 HiGAN 的新方法，使用层次生成对抗网络将从图像等源域传递的知识用于视频识别目标域，以提高分类器的性能，实验证明其相比当前最先进的领域自适应方法更有效。

May, 2018

将生成对抗网络扩展到半监督学习中，强制鉴别器网络输出类标签，能够创建更具数据效率的分类器以及比正常 GAN 生成更高质量的样本。

Jun, 2016

本文研究无人机低成本、快速移动的优点，为了解决训练空中人类行为视频数据成本高、费时、难度大的问题，探索使用两个替代数据源，即视频游戏和生成式对抗性网络来提高分类精度，并利用分离多任务学习框架将两个数据集集成，提出了一种用于改善空中行动识别的方法，其结果表明，视频游戏的影像和 GAN 生成的影像是非常有用的，能够在只有少量实际训练样本的情况下显著提高空中行动识别的准确度。

Oct, 2019

本文介绍了一种基于卷积变换器、双鉴别器生成对抗网络（CT-D2GAN）的非监督式视频异常检测方法，该方法在未来帧预测和对视频的局部和全局建模方面取得了显著的效果。

Jul, 2021