Nov, 2023

CycleCL: 周期视频的自监督学习

PDF
TL;DR通过使用循环数据，本文提出了 CycleCL，一种特定设计用于周期性数据的自我监督学习方法。该方法利用预训练特征从同一个阶段近似采样一对帧以及不同阶段的负对帧，并通过优化特征编码器和重新采样三元组的方式来学习具备所提到的期望特性的特征。在工业和多个人类动作数据集上的评估表明，CycleCL 在所有任务中显著优于以往的基于视频的自我监督学习方法。
periodic video sequencesself-supervised learningcycleclcontrastive learning methodvideo-based self-supervised learning
发现论文，激发创造
  • 自监督视频表示学习的 Cycle-Contrast

    通过 CCL 方法，我们可以自我学习视频表示，从而在基于视频的应用程序中实现更好的性能。

    Oct, 2020

  • 从时间的循环一致性中学习对应关系

    本文提出了一种自监督的方法，通过循环一致性来学习视觉对应关系，应用其学到的特征图表示可以在一系列视觉对应任务中取得较好的性能。

    Mar, 2019

  • 时间循环一致性学习

    本文提出了一种基于自我监督学习的视频时序对齐表征学习方法，其通过训练神经网络使用时间循环一致损失（TCC）来找到多个视频之间在时间上的对应关系，从而得到每一帧的表征，可用于快速地对视频进行对齐和分类。该方法在少量监督数据和其他自监督方法上都有较好的表现，同时还可用于多种视频应用领域的数据同步和异常检测。

    Apr, 2019

  • 周期对应损失函数：从无标记和无序的 RGB 图像学习稠密的视角不变视觉特征

    通过使用循环一致性思想，引入循环对应损失（CCL）实现视角不变的密集描述符的学习，从而达到优于其他自监督方法且接近有监督方法的性能，无论是在关键点跟踪还是机器人抓取下游任务方面。

    Jun, 2024

  • 从叙述视频循环中学习时间动态

    提出了一种基于自监督训练的计算机视觉方法，通过结合视觉和语言的时间循环一致性来学习模型预测未来和过去的动态变化，并可应用于不同任务，如动作预测和图像排序。

    Jan, 2021

  • 一种无监督的时间序列周期性源检测方法

    利用无标签数据和无需自定义数据生成机制的新方法检测时间序列数据中的周期性，克服了强数据增强可能导致的表示崩溃问题，并在三个时间序列任务中相对于现有学习方法表现出 45-50% 的性能提升。

    Jun, 2024

  • 无监督视频插值技术基于循环一致性

    本文提出了一种基于循环一致性和伪监督的无监督技术，用于实现从低帧率视频直接合成高帧率视频。实验证明，该技术可以在不使用任何额外数据的情况下，显著提高预先训练模型在新目标域上的性能，从而大幅增加 PSNR 值。

    Jun, 2019

  • 自监督模型是持续学习者

    在连续学习的场景中，无监督模型的效果会大幅降低。本文提出了一种将自监督损失函数转换为知识蒸馏机制的方法，并通过加入预测器网络实现 Continual self-supervised visual representation Learning，在不需要大量超参数调整的情况下显著提高了视觉表示的学习质量。

    Dec, 2021

  • 野外类别无关视频重复计数

    本文介绍了一种利用时间自相似性作为中间表征的方法，通过一定的限制来预测视频中重复动作的周期，结果表明，该模型在现有周期性和重复计数基准测试任务上显著超越现有技术，并在新的数据集 Countix 上显示了鲁棒性。

    Jun, 2020

  • SimPer: 简单的自监督周期目标学习

    本文提出 SimPer 自监督学习方法，针对自然界中周期变化的过程，通过定制增强、特征相似度度量和对比损失函数等手段，学习数据中的周期信息，并在人类行为分析、环境感知和医疗领域中的常见真实世界任务中得到了验证和应用。

    Oct, 2022