非凸无监督视频分割的全局最优性保证
本文提出了一种基于仿射子空间模型的特征运动物体分割新框架，该方法通过稀疏 PCA 表示原始轨迹，通过自动搜索最近邻点的稀疏表达来实现局部子空间分离，并提出了一种误差估计来处理缺失数据问题，最后通过谱聚类方法将不同的运动分割出来，实验证明该方法在精度和运算时间上优于其他运动分割方法。
Jan, 2017
本研究提出了一种新的无监督学习方法，其中使用密集特征表示直接进行卷积全制度的学习来进行视频对象分割。通过使用一个简单的规则化方案，该方法能够提高分割精度并达到快速的训练收敛。最终，该方法在标准的视频对象分割基准测试中取得了较高的精度。
Nov, 2021
本研究提出了一种可应用于任何非最小化求解器的鲁棒全局估计通用方法，该方法利用了鲁棒估计与异常值处理之间的 Black-Rangarajan 对偶并结合逐步非凸性与 SDP 解法求解，解决了常规稳健代价函数导致的非凸性问题；本方法应用于点云和网格登记，位姿图优化和基于图像的形状算法中，具有 70-80％异常值鲁棒性，并且比专门的局部求解器更准确和更快。
Sep, 2019
本文提出了一种新的框架，将视频 / 图像分割和区域定位视为一个单一的优化问题，并以非常弱的监督方式集成低级外观线索和高级定位线索的信息。该框架利用不同级别的两种表示，利用边界框和超像素之间的空间关系作为线性约束，同时在边界框和超像素级别上区分前景和背景。与以往主要依赖于判别聚类的方法不同，我们结合了一个前景模型，使得一个物体在所有图像帧中的直方图差异最小。利用超像素和边界框之间的几何关系使得分割线索可以传递以改善定位输出，反之亦然。前景模型的引入将我们的判别框架推广到视频数据，其中背景往往是相似的，因此不具有判别力。我们证明了我们的统一框架在 YouTube 对象视频数据集，Internet 对象发现数据集和 Pascal VOC 2007 上的有效性。
Nov, 2018
介绍一种通过联合嵌入和稀疏代表选择的新颖无监督框架来总结多视角视频，该方法能够提取出多视角视频之间的复杂内部和外部关联，实现高效准确的摘要生成。
Jun, 2017
我们提出了一种新的刚体运动分割方法，它基于两个视图的非线性嵌入，通过对低维子空间进行分割来区分不同的运动，并采用全局维度和其最小化的概念来克服子空间沿非均匀分布的问题。我们提出了快速投影梯度算法来最小化全局维度，从而从两个视图中分割运动，同时开发了一个围绕所提出的方法的异常值检测框架，并在没有异常值和有异常值的两个视图数据上展示了最先进的结果。
Apr, 2013
发展了一种新框架，旨在捕捉一般非凸低秩矩阵问题的共同局面，包括矩阵感知，矩阵完成和鲁棒 PCA，在优化风景线的现有分析的基础上进行了连接和简化，自然地导致了不对称矩阵完成和鲁棒 PCA 的新结果
Apr, 2017
本文研究了严格无监督视频对象分割的问题，利用一种 John Tukey 启发式的 ' 异常度量 ' 方法从低级别的视觉数据中找到前景对象以及估计每个数据来源的可靠性。在各种视频特性变化的情况下，该方法取得了在 DAVIS 数据集上的最先进结果，并使用 Tukey-inspired 的方法对多种分割方法进行联合，其中包括使用训练，运行时或两者的监督的分割方法，这种方法相对更加稳健，将分割方法的 Jaccard 度量提高了高达 28％。
Nov, 2018
我们提出了一种基于解决优化传输问题的长时间、未修剪视频的动作分割任务的新方法。通过将时间一致性先验编码到 Gromov-Wasserstein 问题中，我们能够从视频帧和动作类之间的噪声亲和 / 匹配成本矩阵中解码出一个时间一致的分割。与以前的方法不同，我们的方法不需要知道视频的动作顺序以实现时间一致性。此外，我们得到的（融合的）Gromov-Wasserstein 问题可以使用几次投影镜像下降的迭代在 GPU 上高效解决。我们在无监督学习环境中展示了我们方法的有效性，其中我们的方法用于为自我训练生成伪标签。我们在 Breakfast、50-Salads、YouTube 指南和桌面装配数据集上评估了我们的分割方法和无监督学习管道，得到了无监督视频动作分割任务的最新结果。
Apr, 2024