我们提出了一种通过无监督 / 自监督学习训练单阶段目标检测器的创新方法，该方法有潜力彻底改变标注过程，大大减少人工标注所需的时间和成本，并为之前难以实现的研究机会铺平了道路。与现有的主要针对分类任务的无监督学习方法不同，我们的方法承担了目标检测的独特挑战，开创了 intra-image 对比学习与 inter-image 对应的概念，能够获取目标检测所需的重要位置信息。该方法熟练地学习和表示这些位置信息，并生成信息丰富的热图。我们的结果展示了 89.2% 的卓越准确率，在计算机视觉领域的无监督目标检测领域突破性地提高了 15 倍，相比随机初始化。

Feb, 2024

通过开发一个基于不确定性的度量标准，以验证和矫正风险的关联，本论文提出了一种通过模拟 tracklets 运动来增强学习特征一致性的 tracklet-guided 增强策略，同时采用分层不确定性采样机制进行难样本挖掘。最终的无监督 MOT 框架，即 U2MOT，在 MOT-Challenges 和 VisDrone-MOT 基准测试中被证明有效，取得了领先于其他已发表的监督和无监督跟踪器的性能。

Jul, 2023

本文提出了一种自监督学习方法，用于训练仅提供无标签视频的多目标跟踪模型，通过交叉输入一致性的方法，在未经过监督的情况下优于多种经过监督的方法。

Nov, 2021

本研究旨在通过使用野外未标记视频进行自监督学习的视觉对应关系。我们的方法同时考虑了可靠对应估计的视频内部和视频间的表示关联。

Dec, 2020

本文提出了一种基于实例到轨迹匹配的外观嵌入学习方法，可以处理在线多目标跟踪问题，该方法可以进行半监督学习，并且在多个数据集上都表现出了更好的性能。

Jul, 2021

该研究提出了一种视频基于物体为中心的模型，通过适应物体为中心的插槽以及构建完整物体原型来处理遮挡，仅需要稀疏的检测标签进行物体定位和特征绑定，无需 ID 标签，并通过自我监督的期望最大化损失函数实现物体关联，实验证明了该方法在物体为中心的学习领域的卓越性能。

Sep, 2023

本研究介绍了一种从未标记的视频中进行无监督学习的新方法，通过引入一种面向物体的时间相干性方法来促进学习具有相似表征的物体，并在多个基准数据集上展示了与竞争无监督方法相比显著的准确度提高。

Dec, 2016

本文提出了一种将外观和运动特征与几何信息显式结合以提供更准确跟踪的新型无监督 MOT 方法 UnsMOT，通过 CNN 和 RNN 模型提取外观和运动特征，构建对象的图形，并利用 GNN 模型和 CNN 特征输出经优化的对象几何嵌入，通过匹配提取特征和几何嵌入，找出对象之间的关联，实验结果显示与最先进方法相比，在 HOTA、IDF1 和 MOTA 指标上表现出色。

Sep, 2023

通过在图像序列帧上进行一致的关联性评分，我们提出了一种学习重新识别特征的训练目标，可以显著降低 ID 开关，即使在 BDD100k 基准测试中表现和受监督的方法相当，也能够设置自监督多目标跟踪的新颖技术。

Apr, 2023

该论文提出了一种自监督学习的方法，用于从单目视频中学习物体的表征，并证明其在机器人等实践中具有特殊的用途。

Jun, 2019