本研究提出了一种基于惯性测量单元数据和自我视角摄像头提取的活动分类方法，通过胶囊网络和卷积长短时记忆框架提取特征和捕获行为的时间因素，并且使用基于遗传算法的方法自动系统地设置各种网络参数。实验证明，这种方法的综合准确度明显提高，可以更准确地对活动进行分类。

May, 2019

从儿童的视觉经验中，可以通过高度通用的学习算法来学习他们对世界的强大内部模型，这包括长期记录的视频数据集和自我监管学习算法，而无需强烈的归纳偏差。

Feb, 2024

通过利用本体神经信号的无监督约束来规范化卷积神经网络的特征学习，以学习关于本体视角下图像的视觉表征，进而实现一些视觉认知任务的显著性能提升，尤其是在自动驾驶平台捕获的无人机图像中进行的大规模场景识别。

May, 2015

该研究介绍了一种新方法，利用头部运动作为中间表示，将三维人体运动的预测分解为两个阶段，并使用条件扩散生成多个可能的全身动作，消除了需要训练配对数据集的需求，可以分别利用大规模的追踪数据集和运动捕捉数据集。

Dec, 2022

本文提出了一种基于自恋的头部运动的自我搜索技术，能够在可穿戴相机拍摄的第一人称视角视频中识别自己，以解决由这种技术带来的隐私问题，并且该技术能够应用于隐私过滤、目标视频检索以及社交群聚等实际场景中。

Jun, 2016

本文提出了一种新的通过传感器增强的主观视频字幕生成任务，并提出了应用多模态数据和关注机制的方法，以提高主观视频字幕生成的效率。结果表明，使用传感器数据作为补充数据可以提高主观视频字幕生成的效率，并且我们提出的方法表现优于其他方法。

Sep, 2021

本文研究自监督学习在传感器人体活动识别中的应用，并分析了两个最近的自监督学习框架 SimCLR 和 VICReg 的深层表示，比较了监督和自监督模型对输入数据噪声的鲁棒性，并通过可解释性方法探索了 SSL 和监督表示中编码的性质。研究表明，自监督学习表示比监督模型更加鲁棒，但监督模型学习到的特征更加均匀且更好地编码了活动的性质。

Apr, 2023

提出了一种自监督学习的方法，可以从多个视角拍摄的未标记视频中学习表征和机器人行为，能够用于机器人模仿人类的对象交互和身体姿势，训练该模型使用度量学习损失，使该模型能够发现在不同视角下发生变化但在时间域内不发生变化的属性，并可在强化学习算法中用作奖励函数。

Apr, 2017

该研究旨在研究在第一人称视角下，如何准确识别行为。为此，提出了一种新颖的特征轨迹表示方法，并且使用所提出的方法在公开数据集上实现了 11% 的性能提升，该方法可以识别出佩戴者的各种行为，且不需要分割手 / 物体或识别物体 / 手的姿态。

Apr, 2016

本文提出了一种基于学习的单摄像头动作捕捉模型，通过神经网络权重优化预测 3D 形状和骨架配置，结合合成数据的强监督和可微渲染的自监督，实现了在测试时间自适应，并展示了比传统优化方法更好的效果。

Dec, 2017