- 基于深度学习的无授权随机接入下的无蜂窝大规模 MIMO 用户活动检测方法
本文利用监督式机器学习模型来解决非正交前导序列设计条件下的用户活动检测问题，并介绍了一个针对 GF-RA 协议下的无线电波多输入多输出（CF-mMIMO）网络的数据驱动算法和新颖的聚类策略，模拟实验结果显示算法在真实场景中具有 99% 的准 - 基于贝叶斯方法的无线全覆盖网络中的大规模连接活动检测
本文研究了在不需要网络信息的情况下进行活动检测的问题，并采用了贝叶斯方法，该方法使用先验分布作为正则化，结合似然函数，得出了一种最大后验估计器和变分推断算法。广泛的模拟结果表明，即使没有这些系统参数的知识，所提出的方法仍然优于现有的协方差 - 关于可穿戴传感器自主回忆活动注释的经验研究
通过比较用户驱动的现场注释和回忆方法使用的四种不同常见注释方法的实证研究，结合展示活动日记和可视化工具，降低了缺失注释和提高了注释一致性，从而提高了深度学习模型的 F1 值约 8％。
- MM海量 IoT 网络中无授权 NOMA 的活动检测
研究了无授权传输范例在物联网网络上的应用，并通过深度学习方法的卷积神经网络实现设备的活动检测，以优化传输性能。
- Argus++：利用重叠立方体建议的无约束视频流强健实时活动检测
Argus++ 是一个用于分析不受限的视频流的鲁棒实时活动检测系统，通过引入重叠的时空立方体作为活动提案的中间概念，实现了活动检测的全覆盖和完整性，并优化了整个系统以在消费级硬件上进行实时处理。在不同的监控和驾驶场景中进行的广泛实验证明了它 - MMToyota Smarthome 未修剪实景视频用于活动检测
介绍了一种在日常生活环境中成功部署的活动检测系统，它使用了一个新的未修剪的日常生活数据集（TSU），包含了许多真实世界的挑战，如基本的、复合的活动以及涉及对象交互的活动，我们提供了对数据集的实际挑战分析，展示了当前最先进的方法无法满足该数据 - 具备大规模 MIMO 接收机的免授权大规模随机接入
论文研究了无源随机接入（U-RA）问题，通过利用大规模 MIMO 基站和协方差恢复算法实现高频谱效率，但也存在复杂度问题。
- 动态时间金字塔网络：更深入地研究多尺度建模用于活动检测
本文提出了 “动态时间金字塔网络”（DTPN）来解决活动检测领域中的主要挑战，包括如何有效应用多尺度架构以及如何处理活动实例的固有时间尺度变化。通过将多种新设计结合为统一网络，实现了单次推理和端到端训练，从而取得了状态的最佳性能。
- CVPR棒球视频中的细粒度活动识别
本文介绍了一个新的细粒度活动检测数据集 MLB-YouTube，研究了利用分类和连续视频中各种识别方法捕捉活动视频中的时间结构，并比较了在难以预测棒球视频中的球速和类型的任务中的模型。发现学习时间结构对于细粒度活动识别非常有价值。
- 大规模 MIMO 系统中活动检测的新缩放定律
本文研究在大规模 MIMO 设置下的活动检测问题，提出了一种基于压缩感知技术的方案，通过增加基站天线数量，解决了当潜在用户数大于信号维数时的局限性问题，并在物联网环境下得到了更高效的应用。
- 用于活动检测的上下文多尺度区域卷积 3D 网络
本文提出了一种用于活动检测的上下文多尺度区域卷积 3D 神经网络 (CMS-RC3D)，通过使用时间特征金字塔来表示不同时间尺度的活动实例，并在每个时间特征金字塔的级别上都学习了一个针对特定时间尺度的活动建议检测器和活动分类器，以进行更好的 - CVPR学习潜在超级事件以检测视频中的多个活动
本文提出了从活动视频中学习潜在超级事件的概念，并阐述其如何有助于连续视频的活动检测。我们设计了时间结构滤波器来使模型专注于视频的特定子间隔，并将其与软注意机制一起使用来学习潜在超级事件的表示。我们的全可微方法使潜在超级事件表示能够与使用它们 - ICCVR-C3D：用于时序活动检测的区域三维卷积网络
我们提出了一种基于 R-C3D 模型的视频流活动检测方法，通过提取关键的时空特征来定位和分类实现高效监测，该模型具有端到端的训练方式和较快的运行速度，在多个数据集上取得了最佳的效果。
- 追求时间准确性的通用活动检测
本文提出了一种通用的框架，利用新颖的提案方案和级联分类管道从未修剪的视频中准确检测各种活动，超越了现有最先进方法在 THUMOS14 和 ActivityNet 数据集上的表现。
- 张量方法与矩阵方法：针对块稀疏扰动的鲁棒张量分解
本文提出一种新的非凸迭代算法，可以将张量分解为低秩部分和稀疏部分，在低秩 CP 分解和残差的硬阈值处理之间交替进行，可处理具有一个更高程度扰动的稀疏张量，应用于视频中的活动检测任务。