1. Toy模板网首页
  2. > Toy博客

[论文阅读]Self-Supervised Learning for Videos: A Survey

10月前 作者：王知为 分类：Toy博客 阅读(56) 违法举报

这篇具有很好参考价值的文章主要介绍了[论文阅读]Self-Supervised Learning for Videos: A Survey。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Schiappa, M. C., Rawat, Y. S., & Shah, M. (2023). Self-Supervised Learning for Videos: A Survey. ACM Comput. Surv., 55(13s), 1–37. https://doi.org/10.1145/3577925

论文中文名称：视频的自监督学习综述

摘要：
深度学习在各个领域取得的显著成功依赖于大规模标注数据集的可用性。然而，获取标注是昂贵且需要巨大努力的，特别是对于视频而言更是具有挑战性。此外，使用人工生成的标注会导致模型学习偏见，并且在领域泛化和稳健性方面效果较差。作为替代方案，自监督学习提供了一种无需标注的表示学习方法，在图像和视频领域都显示出了潜力。与图像领域不同，学习视频表示更具挑战性，因为涉及到时间维度，引入了运动和其他环境动态。这也为在视频和多模态领域推进自监督学习提供了机会。在这份综述中，我们回顾了关于自监督学习在视频领域的现有方法。我们将这些方法总结为四个不同的类别，基于它们的学习目标：(1) 先导任务，(2) 生成式学习，(3) 对比学习，和 (4) 跨模态一致性。我们进一步介绍了常用的数据集、下游评估任务、对现有工作局限性的见解，以及这一领域的潜在未来方向。

[论文阅读]Self-Supervised Learning for Videos: A Survey,论文阅读
图1：使用通过自监督学习训练的预训练模型进行下游任务的示意图。该过程始于在无标签数据集上使用自监督学习目标对模型进行预训练。一旦训练完成，学到的权重被用作下游任务上一个较小的带标签数据集的模型初始化。

[论文阅读]Self-Supervised Learning for Videos: A Survey,论文阅读
图2：近年来自监督（SSL）视频表示学习研究的统计数据。从左到右，我们显示a) 在顶级会议场馆发表的与SSL相关的论文总数，b) 对SSL研究的主要研究主题进行的分类统计，和c) SSL中使用的主要模态的模态分类统计。2022年仍然不完整，因为大多数会议发生在年底。文章来源地址https://www.toymoban.com/news/detail-795864.html

到了这里，关于[论文阅读]Self-Supervised Learning for Videos: A Survey的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包 赞助服务器费用

相关文章

  • 论文阅读：Image-to-Lidar Self-Supervised Distillation for Autonomous Driving Data

    论文阅读：Image-to-Lidar Self-Supervised Distillation for Autonomous Driving Data

    目录 摘要 Motivation 整体架构流程 技术细节 雷达和图像数据的同步 小结 论文地址:  [2203.16258] Image-to-Lidar Self-Supervised Distillation for Autonomous Driving Data (arxiv.org) 论文代码： GitHub - valeoai/SLidR: Official PyTorch implementation of \\\"Image-to-Lidar Self-Supervised Distillation for Autonomous Driving Data\\\"    

    2024年02月08日
    浏览(51)
  • 论文阅读 Self-Supervised Burst Super-Resolution

    论文阅读 Self-Supervised Burst Super-Resolution

    这是一篇 ICCV 2023 的文章，主要介绍的是用自监督的方式进行多帧超分的学习 Abstract 这篇文章介绍了一种基于自监督的学习方式来进行多帧超分的任务，这种方法只需要原始的带噪的低分辨率的图。它不需要利用模拟退化的方法来构造数据，而且模拟退化的方法又可能存在域

    2024年01月18日
    浏览(57)
  • 【论文阅读】Digging Into Self-Supervised Monocular Depth Estimation

    【论文阅读】Digging Into Self-Supervised Monocular Depth Estimation

    论文：https://arxiv.org/pdf/1806.01260.pdf 代码：https://github.com/nianticlabs/monodepth2 A: 这篇论文试图解决的问题是如何提高仅使用单目图像进行深度估计的性能。具体来说，它关注的是如何在没有像素级地面真实深度数据的情况下，通过自监督学习方法训练模型来生成高质量的深度图。

    2024年04月17日
    浏览(45)
  • MaskVO: Self-Supervised Visual Odometry with a Learnable Dynamic Mask 论文阅读

    MaskVO: Self-Supervised Visual Odometry with a Learnable Dynamic Mask 论文阅读

    题目 ：MaskVO: Self-Supervised Visual Odometry with a Learnable Dynamic Mask 作者 ：Weihao Xuan, Ruijie Ren, Siyuan Wu, Changhao Chen 时间 ：2022 来源 ： IEEE/SICE International Symposium on System Integration (SII) 深度学习的最新进展使移动机器人能够以自我监督的方式联合学习自我运动和深度图。 然而，现有的方

    2024年02月09日
    浏览(44)
  • 【论文阅读】OccNeRF: Self-Supervised Multi-Camera Occupancy Prediction with Neural Radiance Fields

    【论文阅读】OccNeRF: Self-Supervised Multi-Camera Occupancy Prediction with Neural Radiance Fields

    原文链接：https://arxiv.org/abs/2312.09243 3D目标检测任务受到无限类别和长尾问题的影响。3D占用预测则不同，其关注场景的几何重建，但多数方法需要从激光雷达点云获取的3D监督信号。 本文提出OccNeRF，一种自监督多相机占用预测模型。首先使用图像主干提取2D特征。为节省空间

    2024年02月02日
    浏览(54)
  • 【深度学习】自监督学习详解（self-supervised learning）

    【深度学习】自监督学习详解（self-supervised learning）

    深度学习被分为：监督学习，无监督学习和自监督学习。 监督学习近些年获得了巨大的成功，但是有如下的缺点： 1.人工标签相对数据来说本身是稀疏的，蕴含的信息不如数据内容丰富； 2.监督学习只能学到特定任务的知识，不是通用知识，一般难以直接迁移到其他任务中。

    2024年02月07日
    浏览(53)
  • 计算机视觉 + Self-Supervised Learning 五种算法原理解析

    计算机视觉 + Self-Supervised Learning 五种算法原理解析

    自监督学习是一种机器学习方法，它利用未标记的数据来训练模型，而无需人工标注的标签。相反，自监督学习通过利用数据中的自动生成的标签或任务来训练模型。 现在，让我使用拟人化的方法来解释自监督学习的原理。假设你是一个学习者，而计算机视觉任务是你需要完

    2024年02月11日
    浏览(46)
  • EMP-SSL: TOWARDS SELF-SUPERVISED LEARNING IN ONETRAINING EPOCH

    EMP-SSL: TOWARDS SELF-SUPERVISED LEARNING IN ONETRAINING EPOCH

    Recently, self-supervised learning (SSL) has achieved tremendous success in learning image representation. Despite the empirical success, most self-supervised learning methods are rather “inefficient” learners, typically taking hundreds of training epochs to fully converge. In this work, we show that the key towards efficient self-supervised learning is

    2024年02月15日
    浏览(46)
  • 论文解读：SuperPoint: Self-Supervised Interest Point Detection and Description

    论文解读：SuperPoint: Self-Supervised Interest Point Detection and Description

    发表时间: 2018年 项目地址：https://arxiv.org/abs/1712.07629 论文地址：https://github.com/magicleap/SuperPointPretrainedNetwork 本文提出了一种用于训练计算机视觉中大量多视点几何问题的兴趣点检测器和描述符的自监督框架。与patch-based的神经网络相比，我们的全卷积模型处理全尺寸的图像，

    2024年02月14日
    浏览(58)
  • 【2021/推荐/社交网络】Socially-Aware Self-Supervised Tri-Training for Recommendation

    【2021/推荐/社交网络】Socially-Aware Self-Supervised Tri-Training for Recommendation

    部分公式、图表和排版等显示可能异常，可在个人公众号（ 码农的科研笔记 ）进行全文免费阅读。 【2021/推荐/社交网络】Socially-Aware Self-Supervised Tri-Training for Recommendation 【2021/推荐/社交网络】Socially-Aware Self-Supervised Tri-Training for Recommendation 原文：https://dl.acm.org/doi/10.1145/34

    2024年02月13日
    浏览(60)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包