本文提出了一种无监督方法，使用基于深度预训练人脸网络获得的表示来提取视频中的身份信息，为此，我们设计了一种自监督的 Siamese 网络，并在三个视频数据集上进行了评估，结果表明我们的方法优于当前所有现有的方法。

Mar, 2019

本篇论文提出了一种高效的 Rank-Order 聚类算法，可将超过 1.23 亿张人脸图像聚类成 1000 多万个类别，并在相应的内部和外部质量度量下分析其结果，以及对视频帧进行了初步的聚类研究。

Apr, 2016

本文提出了一种名为 CCL 的基于聚类的对比学习方法，利用聚类得到的标签和视频约束来学习具有区分性的人脸特征，展示了该方法在视频人脸聚类的表征学习任务上的显著成果。

Apr, 2020

本文针对视频中的角色聚类进行多模态高精度聚类算法和视频角色聚类数据集的引入，旨在解决当前的人脸聚类局限性，为角色层次的推理提供更多线索，并在所有现有数据集上取得了新的最新成果。

May, 2021

本文提出了一种通过前景运动聚类来为目标发现提供密集分割掩模的方法，利用像素轨迹循环神经网络学习前景像素轨迹的特征嵌入，并通过对像素轨迹进行聚类建立视频帧之间前景对象掩模之间的对应关系，在常用的运动分割数据集上实现了最新的性能表现。

Dec, 2018

本文提出了一种在线优化算法，旨在解决具有可扩展性差的判别聚类方法所面临的问题，并将其应用于电影中弱监督学习的问题，从而显著提高了弱监督动作识别的效果。

Jul, 2017

本文探讨了人脸识别中如何有效聚类未标记数据的问题，提出了一种基于图卷积网络的新方法，可以更准确地聚类人脸并提升识别性能。

Apr, 2019

该研究提出了一种端到端的系统，用于在电影全长中检测和聚类面部，并基于先前的图论结果，介绍了一种新的聚类方法，并使用一种验证方法来描述正确率，并定义了一种新的端到端的检测和聚类评估度量，以评估整个系统的准确性。在多个视频数据集和标准人脸数据库上呈现出最先进的结果。

Sep, 2017

研究提出一种基于极值理论的新颖身份分离方法，作为一种超分布检测算法，大大减少了重叠身份标签噪声所导致的问题，通过对余弦损失的调节，给出了聚类不确定性的估计，实验结果表明，该方法在受控和实际环境下比监督基线方法都有更好的性能。

Jul, 2020

该研究使用学习到的视频片段相似度聚合函数，以筛选出更具信息量的片段对，结合使用 3D CNNs 以及 RGB 输入，对三个具有挑战性的公开基准进行定量和定性验证，表现出更好或相当的性能。

Oct, 2019