【CVPR2021】无监督时空表示学习的大规模研究

本文提出了从视频无监督的时空表示学习的大规模研究。借助对四个基于图像的最新框架的统一观点，我们研究了一个简单的目标，可以轻松地将所有这些方法推广到时空。我们的目标是鼓励在同一视频中使用时间上持久的特征，尽管它简单易用，但在以下情况下却表现出色：（i）不同的无监督框架，（ii）预训练数据集，（iii）下游数据集，以及（iv） 骨干架构。我们从这项研究中得出了一系列有趣的观察结果，例如，我们发现，即使跨度为60秒，鼓励长时间跨度的持久性也是有效的。除了在多个基准测试中得到的最新结果之外，我们还报告了一些有希望的案例，其中无监督的预训练可以胜过其有监督的预训练。

https://www.zhuanzhi.ai/paper/c814846601d2bda3489e56a681716b05

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“USTR” 就可以获取《【CVPR2021】无监督时空表示学习的大规模研究》专知下载链接

专知，专业可信的人工智能知识分发 ，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源