本研究基于深度学习和视觉归纳先验，提出一种在视频数据上进行时空数据扩充与学习的方法，即 “时序扩充”，以提高视频识别性能和鲁棒性。通过这种方法，能够在更少的训练数据上，实现超越空间扩充算法的识别效果，并实现无法用空间算法实现的时序本地化特征学习。

Aug, 2020

本文介绍了利用文本 - 视频检索方法，并结合数据增强技术及多模态数据的方法，对大规模公共数据集 EPIC-Kitchens-100 的测试性能进行提升，灵敏的处理方式能以自然语言查询进行相关视频的查找。

Aug, 2022

通过视频信息的音频、文字、帧和元数据等特征，预测视频的相关度，以提供个性化的推荐，并解决推荐系统中的新视频问题，其中 Hulu 在 ACM Multimedia Conference 2018 主办了挑战赛，提供了海量视频资源和基于真实系统的相关数据来评估算法表现。

Jun, 2018

本文提出了一种称为 ReFF 的方法，通过解释输出来探测与任务相关的特征并规范卷积神经网络，以应对训练和测试数据集分布不同的情况，并在测试数据上提高了准确度。

Feb, 2022

本文提出了一种名为 Redundancy Reduction Attention（RRA）的新型网络结构，通过抑制多余的特征通道学习集中于多个判别模式，在多个视频分类数据集中取得了优秀的表现。

Oct, 2018

该研究探讨了以特征预测作为无监督学习的独立目标，并介绍了 V-JEPA，一个仅使用特征预测目标进行训练的视觉模型集合，无需预训练图像编码器、文本、负样本、重建或其他监督方式。我们的研究结果表明，通过预测视频特征进行学习可以得到性能良好的通用视觉表示，适用于运动和外观相关的任务，无需调整模型参数，如冻结骨干网络。我们最大的模型，即仅使用视频进行训练的 ViT-H/16，在 Kinetics-400 上获得 81.9% 的准确率，在 Something-Something-v2 上获得 72.2% 的准确率，在 ImageNet1K 上获得 77.9% 的准确率。

Feb, 2024

本文介绍了一种基于深度学习的可扩展的距离驱动特征学习框架，用于处理智能视频监控中的人员再识别问题，并展示了其在各个数据库上的有效性。该框架采用三元组单元的生成以及优化梯度下降算法解决三元组三倍扩增的问题。

Dec, 2015

该研究利用神经网络诱导的文本视觉语义嵌入空间，将查询相关汇总作为视频帧子集选择问题进行提出，该方法在多个方面优于先前的技术，并引入具有多样性和查询特定相关性标签的新数据集进行模型训练和测试。

May, 2017

文摘：本文介绍了两种对基于内容的视频相关性预测挑战表现最佳的方法。第一种方法是基于 FusedLSTM，融合了 inception-pool3 和 C3D-pool5 特征，使用 LSTM 和密集层来形成嵌入以最小化三重损失函数。第二种方法是提出了一种在线核相似性学习方法，学习非线性相似度测量来符合相关性培训数据。最后一部分对实施的所有方法进行了完整的比较，包括基线论文中提出的方法。

Sep, 2018

本文介绍了一种利用 YouTube-8M 数据库中视听文件间共同区域来建立联系以自主训练深度神经网络的方法，实现了跨模态特征学习的无监督方法，并得出了良好的检索结果。

Jan, 2018