本文提出了一种基于 Motion-focused 对比学习的方法，利用光流采样和梯度图校准训练视频特征，加强了自监督视频表示学习中的数据增强和特征学习，实验结果表明方法有效，超过了传统监督预训练的表现。

Jan, 2022

本文提出了一种名为 MotionTrack 的简单而有效的多目标跟踪器，它在统一框架中学习健壮的短期和长期运动，以将轨迹从短范围关联到长范围。通过在检测范例跟踪中嵌入 Interaction Module 和 Refind Module​​，在挑战性场景中，该方法在各种 MOT 指标上均实现了最先进的性能。

Mar, 2023

本文提出了一种 Motion Sensitive Contrastive Learning (MSCL) 方法，将光流获取的运动信息注入到 RGB 帧中，强化特征学习，通过局部运动对比学习（LMCL），以及流旋转增强（FRA）和运动差分采样（MDS）等方法对其进行扩展，对标准基准数据集进行了广泛的实验，提高了 UCF101 和 Something-Something v2 的视频分类性能，并显著提高了 UCF101 的视频检索性能。

Aug, 2022

用于视觉表示学习的动量对比（MoCo）利用队列和移动平均编码器构建动态字典，并提供具有竞争力的结果并实现下游任务的迁移。

Nov, 2019

本文提出了 VideoMoCo，通过引入生成器丢弃视频输入样本中的几个帧，从两个方面改进 MoCo 的暂态特征表示。其通过自适应丢弃输入样本的不同帧来训练时变鲁棒编码器，同时使用时序衰减来模拟内存队列中的关键信息衰减，从而使暂态特征表达更强，在无需预设任务的情况下提高 MoCo 的效率。在 UCF101 和 HMDB51 等基准数据集上，实验结果表明 VideoMoCo 是一个最先进的视频表征学习方法。

Mar, 2021

本文提出了基于长程残差帧和运动对比知觉网络的视频表示学习方法，旨在通过自监督学习获得更多的运动特定信息，并通过对比学习提高模型的语义表达性能，实验结果表明该方法对于 UCF-101 和 HMDB-51 数据集具有较高的性能表现。

Apr, 2022

本文提出一种轻量级的视频动作转移方法 TransMoMo，可以无需配对数据进行监督训练，利用三个正交变化因子的不变性特征进行无监督学习，采用自编码器训练这些因子的潜在表示，从而从源视频中提取的运动得到无缝传输到目标视频中，达到了与最先进方法相互竞争的效果。

Mar, 2020

本研究提出了一种基于 LSTM 的 few-shot 动作识别框架，采用了特定的评估设置，隐式序列对齐算法以及新的优化方法，通过在少量数据上最大化同类样本的相似性并最小化不同类之间的相似性来实现 few-shot 动作识别。实验表明，该方法在两个数据集上均取得了较好的效果。

Oct, 2020

基于对比学习的双流联合匹配 (TSJM) 方法在少样本动作识别中解决了动作关系建模、多模态信息利用不足、不同长度和速度的视频匹配问题，以及视频子动作不对齐的匹配问题。

Jan, 2024

我们提出了 MOFO（MOtion FOcused）作为一种新颖的自监督学习方法，着重于视频中的动作区域，用于行为识别。我们的方法可以显著提高目前自监督学习方法在行为识别中的性能，表明在自监督学习中明确编码动作的重要性。

Aug, 2023