本文旨在通过提出一种动态时间池化技术（DTP）来改善现有卷积神经网络分类器在时间序列分类中舍弃时间信息的问题。结合动态时间扭曲（DTW）和卷积神经网络，实现对高层特征的汇聚和提取，通过在多个单元上进行优化，显著提高了分类性能。

Apr, 2021

提出了一种新颖的基于超像素的多视角卷积神经网络，通过利用同一场景的其他视角信息生成单个图像的高质量分割，并且利用光流和基于图像边界的超像素计算区域对应关系，提出了一种新颖的时空池化层对空间和时间信息进行聚合，实现对图像的分割。经过对 NYU-Depth-V2 数据集和 SUN3D 数据集的评估，与各种单视图和多视图方法相比，不仅有严格的改进，同时也表明在多视图和单视图预测时利用标记帧的好处。

Apr, 2016

提出了一种新的基于深度学习的多元时间序列分类 (TodyNet) 方法，该方法可以提取隐含的时空依赖关系，通过动态图机制捕获不同时间段之间的关联，同时可利用可学习的时间参数获取全局图级表示，实现了端到端的联合学习，实验结果表明，该方法在 MTSC 任务中优于现有深度学习方法。

Apr, 2023

我们通过利用时间性质和引入一种新的方法，即时预测损失方法 (TPL)，在移动设备和机器人上实现了流媒体主导的主动学习方法。我们还通过比较基于池的方法和基于流媒体的方法，证明了 TPL 方法在感知应用中的高性能，能够显著提高数据选择的多样性和准确性。

Sep, 2023

该论文介绍了一种基于注意力池化策略和对比学习目标的方法，可以从预训练的语言模型中提取语言学特征和层次信号，用于下游任务，并在语义文本相似度和语义搜索任务中取得了显著提升。

Sep, 2022

利用弱监督学习将多变量时间序列分类重新定义为多实例学习问题，通过引入基于时间感知的多实例学习池化，结合专门设计的可学习小波位置标记的令牌化变换器，以更好地定位和建模时间序列中感兴趣的模式，并表明该方法在多变量时间序列分类方面的优越性。

May, 2024

本文针对视频语义分割问题，探究利用对比损失增强时空相关性，以及多数据集训练对模型的影响，并将两种模型的输出进行聚合，最终在 VSPW 数据集上达到了 65.95% mIoU 的性能，在 CVPR 2023 的 VSPW 挑战上取得了第一名。

Jun, 2023

提出了一种基于多尺度卷积神经网络的时间序列分类模型，该模型将特征提取和分类集成在一个框架中，具有较高的准确性和计算效率，并在大量基准数据集上进行了全面的实证评估，取得了优于其他先进方法的性能。

Mar, 2016

本文提出了一种基于强化学习的概率模型，用于动态控制视频片段上的局部多样性的时间跨度，从而实现视频摘要。实验表明，与 MLE 方法相比，我们的模型和新的学习算法具有更大的优势。

Jul, 2018

该研究提出了一种从分布角度解决时间序列分类问题的新方法，称为 DIVERSIFY，该方法采用对抗性训练获得最坏情况分布并匹配子域的分布来学习泛化表示，实验结果表明该方法在不同情境中的 7 个数据集上具有显著优势，可以有效地表征者潜在分布。

Sep, 2022