{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部分”：[[2024,6,24]]，“日期-时间”：“2024-06-24T17:10:21Z”，“时间戳”：1719249021646}，“发布者位置”：“查姆”，“引用-计数”：83，“出版商”：“施普林格自然瑞士”，“isbn-type”：[{“值”：“978303119083”，“类型”：”打印“}，{“值”：“9783031198090”，“类型”：“electronic”｝]，“license”：[｛“start”：｛“date parts”：[[2022,1,1]]，“date-time”：“2022-01-01T00:00:00Z”，“timestamp”：1640995200000｝，“content-version”：“tdm”，“delay in days”：0，“URL”：“https://\\www.springer.com\/tdm”｝，｛“start”：｛“date parts”：[[2022,1,1]]，“date-time”：“2022-01-01T00:00:00Z”，“timestamp”：1640995200000｝，“content-version”：“vor”，“延迟天数”：0，“URL”：“https:\\/www.springer.com//tdm”}，{“start”：{“date-parts”：[[2022,1,1]]，“date-time”：“2022-01-01T00:00:00Z”，“timestamp”：1640995200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”:“https:\/\/www.splinger.com\/tdm”{“开始”：{“date-parts”：[2022,1,1]，“日期-时间”：”2022-0 1-01T00:00:00Z“，”timestamp“：1640995200000}，”content-version“：”vor“，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com\/tdm”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”：{“date-parts”：[2022]}，”DOI“：”10.1007\/978-3-031-19809-0_9“，”type“：”book-chapter“，”created“：{”date-part“：[[2022,10,31]]，“日期时间”：“2022-10-31T07:03:04Z”，“时间戳”：1667199784000}，“页面”：“145-164”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”378-6438英寸，“authenticated-orcid”：false，“given”：“Rui”，“family”：“Qian”，“sequence”：“first”，“affiliation”：[]}，{“orcid”：”http://\/orcid.org\/0000-0001-7033-774X“，”authenticationd-ocid“：false ted-orcid“：false，”given“：”西安“，“family”：“Liu”，“sequence”：“additional”，“affiliation”：[]}，{“ORCID”：“http://\/ORCID.org\/0000-0002-8865-7896”，“authenticated-ORCID”：false，“given”：”Dahua“，”family“：”Lin“，”sequence“：”additional“，”affiliance“：[]]，“member”：“297”，“published-on-line”：{“date-parts”：[2022,11,1]]}、“reference”：[{“key”9 _CR1“，”非结构化“：“Alvarez-Melis，D.，Jaakkola，T.：利用自解释神经网络实现稳健的可解释性。In:Advances In neural Information Processing Systems 31（2018）”}，{“key”：“9_CR2”，“unstructured”：“Asano，Y.M.，Patrick，M.，Rupprecht，C.，Vedaldi，A.：用多模式自我监督从头开始标记未标记的视频。arXiv预印本arXiv:2006.13662（2020）”}，{“key”：“9_CR3”，“doi断言”：“crossref”，“非结构化”：“Behrmann，N.，Fayyaz，M.，Gall，J.，Noroozi，M.：通过对比视频表征学习进行长短视特征分解。摘自：IEEE计算机视觉国际会议论文集，第9244\u20139253（2021）页”，“DOI”：“10.1109\/ICCV48922.2021.00911”}，{“key”：“9_CR4”，“DOI-asserted-by”：“crossref”，“unstructured”：“Behrmann，N.，Gall，J.，Noroozi，M.：通过双向特征预测进行无监督视频表示学习。摘自：IEEE计算机视觉应用冬季会议论文集，第1670\u20131679（2021）页”，“DOI”：“10.1109”，{“key”：“9_CR5”，“DOI-asserted-by”：“crossref”，“unstructured”：“Benaim，S.，et al.：学习视频中的快速性。摘自：IEEE计算机视觉和模式识别会议记录，pp.9922\u20139931（2020）”，“DOI”：“10.1109\/CVPR42600.2020.00994”}，{“key”：“9_CR6”，“series-title”：“计算机科学课堂笔记”，“DOI-asserted-by”：“publisher”，“first-page”：“695”，“DOI”：“10.1007\/978-3-030-20890-5_44”，“volume-title”：“Computer Vision\u2013 ACCV 2018”，“author”：“M Bucher”，“year”：“2019”，“unstructured”：“Bucher，M.，Herbin，S.，Jurie，F.：计算机视觉任务的语义瓶颈。摘自：Jawahar，C.V.，Li，H.，Mori，G.，Schindler，K.（编辑）ACCV 2018。LNCS，第11362卷，第695\u2013712页。查姆施普林格（2019）。https:\/\/doi.org\/10.1007\/978-3-030-20890-5_44“}，{“key”：“9_CR7”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“139”，”doi“：”10.1007\/978-30-01264-9_9“，”volume-title“：”Computer Vision\u2013 ECCV 2018“，”author“：”M Caron“，“年份”：“2018”，“非结构化”：“Caron，M.、Bojanowski，P.、Joulin，A.、Douze，M.：无监督学习视觉特征的深度聚类。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）Computer Vision\u2013 ECCV 2018。LNCS，第11218卷，第139\u2013156页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01264-9_9“}，{“key”：“9_CR8”，“unstructured”：“Caron，M.，Misra，I.，Mairal，J.，Goyal，P.，Bojanowski，P.和Joulin，A.：通过对比聚类赋值对视觉特征进行无监督学习。arXiv预印本arXiv:2006.09882Carreira，J.，Zisserman，A.：Quo vadis，行动识别？一个新的模型和动力学数据集。摘自：IEEE计算机视觉和模式识别会议记录，第6299\u20136308页（2017）“，“DOI”：“10.1109\/CVPR.2017.502”}，{“key”：“9_CR10”，“unstructured”：“Chen，B.，Selvaraju，R.R.，Chang，S.F.，Niebles，J.C.，Naik，N.：Previts：视频跟踪监督的对比预处理。arXiv预处理arXiv:2112.0804（2021）”}，{“key”：“9_CR11”，“doi-asserted-by”：“crossref”，“unstructured”：“Chen，P.，et al.：RSPNet:无监督视频表征学习的相对速度感知。摘自：《AAAI人工智能会议论文集》，第1卷（2021）”，“doi”：“10.1609 \/AAAI.v35i2.16189”}，{：“Chen，T.，Kornblith，S.，Norouzi，M.，Hinton，G.：视觉表征对比学习的简单框架。摘自：机器学习国际会议，第1597\u20131607页。PMLR（2020）“}，{”issue“：”12“，”key“：”9_CR13“，”doi-asserted-by“：”publisher“，”first page“：“772”，”doi“：”10.1038\/s42256-020-00265-z“，”volume“:”2“，”author“：”z Chen“，”year“：”2020“，”unstructured“：”Chen，z.，Bei，Y.，Rudin，C.：可解释图像识别的概念白化。Nat.Mach.Intell.2（12），772\u2013782（2020）“，”新闻标题“：”国家。机器。智力。“}，{”key“：”9_CR14“，”unstructured“：”Cuturi，M.：Sinkhorn distances:最优传输的光速计算。In:NIPS.vol.2，p.4（2013）“}”，{“key”：“9_CR15”，“doi-asserted-by”：“crossref”，“unstructure”：“Dave，I.，Gupta，R.，Rizve，M.N.，Shah，M.；TCLR:视频表示的时间对比学习。arXiv预印本arXiv:2101.07974（2021）“，”DOI“：”10.1016\/j.cviu.2022.103406“}，{”issue“：”9“，”key“：”9_CR16“，”DOI-asserted-by“：”publisher“，”first page“：“1342”，”DOI:“10.1038\/s41591-018-0107-6”，“volume”：“24”，“author”：“j De Fauw”，“year”：“2018”，“unstructured”：“De Fau，j.等：视网膜疾病诊断和转诊的临床应用性深度学习。Nat.Med.24（9），1342\u20131350（2018）“，“journal-title”：“Nat.Med.”}，{“key”：“9_CR17”，“doi-asserted-by”：“crossref”，“unstructured”：“Ding，S.，et al.：通过前景背景合并的运动软件对比视频表征学习。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，第9716\u20139726（2022）页”，“doi”：“10.1109 \/CVPR52688.2022.00949“}，{“key”：“9_CR18”，“doi-asserted-by”：“crossref”，“unstructured”：“Ding，S.，Qian，R.，Xiong，H.：时空表示的双重对比学习。arXiv预印本arXiv:2207.05340（2022）”，“doi”：“10.1145 \/3503161.3547783”}Dosovitskiy，A.等人：一幅图像值16x16个单词：用于大规模图像识别的变形金刚。arXiv预印本arXiv:2010.11929（2020）“}，{“key”：“9_CR20”，“unstructured”：“Dosovitskiy，A.，Springenberg，J.T.，Riedmiller，M.，Brox，T.：用卷积神经网络进行判别性非监督特征学习。In:Advances In neural information processing systems 27（2014）”}，}，[key“：”9_CR21“非结构化”：“Ermolov，A.、Siarohin，A.、Sangineto，E.、Sebe，N.：自我监督表征学习的白化。摘自：机器学习国际会议，第3015\u20133024页。PMLR（2021）“}，{“key”：“9_CR22”，“doi-asserted-by”：“crossref”，“unstructured”：“Feichtenhofer，C.，Fan，H.，Xiong，B.，Girshick，R.，He，K.：关于无监督时空表征学习的大规模研究。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，pp.3299\u20133309（2021年）”，“doi”：“10.1109\/CVPR46437.2021.00331“}，{“key”：“9_CR23”，“unstructured”：“Gao，P.，Lu，J.，Li，H.，Mottaghi，R.，Kembhavi，A.：Container：上下文聚合网络。arXiv预印本arXiv:2106.01401（2021）”}，}，“key“：”9_CR24“非结构化”：“Gidaris，S.，Singh，P.，Komodakis，N.：通过预测图像旋转进行无监督表示学习。arXiv预印本arXiv:1803.07728（2018）“}，{“key”：“9_CR25”，“unstructured”：“Gutmann，M.，Hyv\u00e4rinen，A.：噪声控制估计：非规范化统计模型的一种新估计原理。摘自：《第十三届国际人工智能与统计会议论文集》，第297\u2013304页。JMLR Workshop and Conference Proceedings（2010）“}，{“key”：“9_CR26”，“doi-asserted-by”：“crossref”，“unstructured”：“Han，T.，Xie，W.，Zisserman，A.：通过密集预测编码进行视频表征学习。In：IEEE国际计算机视觉研讨会会议记录（2019）”，“doi”：“10.1109\/ICCVW.2019.00186”}series-title“：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“first page”：“312”，“doi”：“10.1007\/978-3-030-58580-8_19”，“volume-title”：“Computer Vision\u2013 ECCV 2020”，“author”：“T Han”，《year》：“2020”，《unstructured》：“Han，T.，Xie，W.，Zisserman，A.：用于视频表征学习的记忆增强密集预测编码。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12348卷，第312\u2013329页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58580-8_19“}，{“key”：“9_CR28”，“unstructured”：“Han，T.，Xie，W.，Zisserman，A.：视频表征学习的自我监督联合培训。arXiv预印本arXiv:2010.09709（2020）”}，}，“key“：”9_CR29“，”doi-asserted-by“：”crossref“，”unstructure“：”He，K.，Fan，H.，Wu，Y.，Xie，S.，Girshick，R.：无监督视觉表征学习的动量对比。摘自：IEEE计算机视觉和模式识别会议记录，第9729\u20139738（2020）页，“DOI”：“10.1109\/CVPR42600.2020.00975”}，{“key”：“9_CR30”，“first-page:”10077“，”volume“：”33“，”author“：”D Hu“，”year“：”2020“，”unstructured“：”Hu，D.，et al.：通过自我监督的视听匹配进行区分性发音对象定位。高级神经。信息处理。系统。3310077\u201310087（2020）”，“期刊标题”：“高级神经。信息处理。系统。“}，{”key“：”9_CR31“，”doi-asserted-by“：”crossref“，”unstructured“：”Huang，D.，et al.：ASCNet:具有外观-速度一致性的自我监督视频表示学习。arXiv预印本arXiv:2106.02342（2021）“，”doi“：”10.1109\/ICCV48922.2021.00799“}Huang，L.，Liu，Y.，Wang，B.，Pan，P.，Xu，Y..，Jin，R.：通过上下文和运动解耦的自我监督视频表示学习。摘自：IEEE计算机视觉和模式识别会议论文集，第13886\u201313895（2021）页，“DOI”：“10.1109\/CVPR46437.2021.01367”}，{“key”：“9_CR33”，“unstructured”：“Jabri，A.，Owens，A.，Efros，A.A.：作为对比随机漫步的时空对应。arXiv预印本arXiv：2006.14613（2020）”}doi-asserted-by“：”crossref“，”unstructured“：”Jenni，S.，Jin，H.：时间等效对比视频表征学习。在：《IEEE\/CFF国际计算机视觉会议论文集》，第9970\u20139980（2021）页，“DOI”：“10.1109\/ICCV48922.2021.00982”}，｛“key”：“9_CR35”，“series title”：“计算机科学讲义”，“DOI断言者”：“出版商”，“首页”：“425”，“DOI”：“10.1007\/978-3-030-58604-1_26”，“卷标题”：“计算机视觉\u2013 ECCV 2020”作者：“S Jenni”，“year”：“2020”，“unstructured”：“Jenni，S.，Meishvili，G.，Favaro，P.：通过识别时间变换进行视频表征学习。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12373卷，第425\u2013442页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58604-1_26“}，{”key“：”9_CR36“，”doi-asserted-by“：”crossref“，”unstructured“：”Kim，D.，Cho，D.，Kweon，I.S.：时空立方难题的自我监督视频表征学习。摘自：《AAAI人工智能会议论文集》，第33卷，第8545\u20138552（2019）页“doi”：“10.1609 \/aaai.v33i01.33018545“}，{“key”：“9_CR37”，“doi-asserted-by”：“crossref”，“unstructured”：“Kim，D.，Cho，D.，Yoo，D.，Kweon，I.S.：通过完成损坏的拼图游戏来学习图像表示。摘自：2018 IEEE计算机视觉应用冬季会议（WACV），第793\u2013802页。IEEE（2018）“，“DOI”：“10.1109\/WACV.2018.00092”}，{“key”：“9_CR38”，“unstructured”：“Koh，P.W.，et al.：概念瓶颈模型。摘自：国际机器学习会议，第5338\u20135348页。PMLR（2020）“}，{“key”：“9_CR39”，“doi-asserted-by”：“crossref”，“unstructured”：“Kuang，H.等：全球背景下的视频对比学习。摘自：IEEE CVF计算机视觉国际会议论文集，第3195\u20133204（2021）页”，“doi”：“10.1109\/ICCVW54120.2021.00358”}Kuehne，H.、Jhuang，H.，Garrote，E.、Poggio，T.、Serre，T.：HMDB：用于人体运动识别的大型视频数据库。2011年计算机视觉国际会议，第2556\u20132563页。IEEE（2011）“，“DOI”：“10.1109\/ICCV.2011.6126543”}，{“key”：“9_CR41”，“DOI-asserted-by”：“crossref”，“unstructured”：“Li，R.，Z.，Yao，T.，Liu，D.，Mei10.1109 \/ICCV48922.2021.00211“}，{“key”：“9_CR42”，“unstructured”：“Li，X.，Liu，S.，De Mello，S.、Wang，X.、Kautz，J.，Yang，M.H.：时间对应的联合任务自主学习。arXiv预印本arXiv:1909.11895（2019）”}，}，“key“：”9_CR43“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“first page”：520“，”DOI“：”10.1007\/978-3-030-01231-1_32“，”volume-title“：”Computer Vision\u2013 ECCV 2018“，”author“：”Y Li“，“year”：“2018”，“unstructured”：“Li，Y.，Li，Ye.，Vasconselos，N.：RESOUND：走向行动识别，没有表征偏见。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11210卷，第520\u2013535页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01231-1_32“}，{“key”：“9_CR44”，“doi-asserted-by”：“crossref”，“unstructured”：“Liu，X.，et al.：通过交叉模式干扰消除在野外进行视觉声音定位。arXiv预印本arXiv:22022.06406（2022）”，“doi”：“10.1609\/aaaai.v36i2.20073”}，“key“：”9_CR45“，”doi-asserted-by“：”Crosref“，“非结构化”：“Liu，X.，et al.：学习层次化跨模态关联以生成共同言语手势。收录于：IEEE计算机视觉和模式识别会议记录，第10462\u201310472（2022）页，“DOI”：“10.1109”，{“key”：“9_CR46”，“DOI-asserted-by”：“crossref”，“unstructured”：“Liu，X.、Xu，Y.、Wu，Q.、Zhou，H.、Wu、W.、Zhuo，B.：语义软件隐式神经音频驱动视频肖像生成。arXiv预打印arXiv:2201.07786（2022）“，”DOI“：”10.1007\/978-3-031-19836-6_7“}，{“key”：“9_CR47”，“unstructured”：“Losch，M.，Fritz，M.和Schiele，B.：分类输出之外的可解释性：语义瓶颈网络。arXiv预先打印arXiv：1907.10882（2019）“}Luo，D.等人：用于自主时空学习的视频完形填空程序。摘自：《AAAI人工智能会议论文集》，第34卷，第11701\u201311708页（2020）“，“DOI”：“10.1609\/AAAI.v34i07.6840”}，{“key”：“9_CR49”，“DOI-asserted-by”：“crossref”，“unstructured”：“Luo，Z.，Peng，B.，Huang，D.A.，Alahi，A.，Fei Fei，L.：视频长期运动动力学的无监督学习。摘自：IEEE计算机视觉国际会议论文集，pp.2203\u20132212（2017）“，“DOI”：“10.1109\/CVPR.2017.751”}，{“key”：“9_CR50”，“DOI-asserted-by”：“crossref”，“unstructured”：“Miech，A.、Alayrac，J.B.、Smaira，L.、Laptev，I.、Sivic，J.、Zisserman，A.：从未经处理的教学视频中对视觉表现的端到端学习。收录于：IEEE计算机视觉和模式识别会议论文集，第9879\u20139889（2020）页“，”DOI“：”10.1109\/CVPR42600.2020.00990“}，{”key“：”9_CR51“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“527”，“DOI”：“10.1007\/978-319-46448-0_32”，“volume-title”：“Computer Vision\u2013 ECCV 2016”，“作者”：“I Misra”，“年份”：“2016年”，“非结构化”：“Misra，I.，Zitnick，C.L.，Hebert，M.：洗牌和学习：使用时序验证的无监督学习。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9905卷，第527\u2013544页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46448-0_32“}，{“key”：“9_CR52”，“unstructured”：“van den Oord，A.，Li，Y.，Vinyals，O.：使用对比预测编码进行表征学习。arXiv预印本arXiv:1807.03748Pan，T.、Song，Y.、Yang，T.，Jiang，W.、Liu，W.：Videomoco：对比视频表征学习与时间对抗性示例。收录于：IEEE计算机视觉和模式识别会议记录，pp.11205\u201311214（2021）“，”DOI“：”10.1109\/CVPR46437.2021.01105“}，{“key”：“9_CR54”，“DOI-asserted-by”：“crossref”，“unstructured”：“Piergiovanni，A.，Angelova，A.，Ryoo，M.S.：无监督视频表征学习的不断损失。收录于：IEEE计算机视觉和模式识别会议论文集，第133\u2013142（2020）页“，”DOI“：”10.1109“/CVPR42600.2020.00021“}，{”key“：”9_CR55“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：计算机视觉\u2013 ECCV 2020”，“作者”：“R Qian”，“年份”：“2020”，“非结构化”：“Qian，R.，Hu，D.，Dinkel，H.，Wu，M.，Xu，N.，Lin，W.：从粗到细的多个声源定位。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12365卷，第292\u2013308页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58565-5_18“}，{“key”：“9_CR56”，“unstructured”：“Qian，R.，et al.：探索自我监督视频表征学习的时间粒度。arXiv预印本arXiv:2112.04480（2021）”}Qian，R.，et al.：通过多层次特征优化增强自监督视频表示学习。arXiv预印本arXiv:2108.02183（2021）“，”DOI“：”10.1109\/ICCV48922.2021.00789“｝，｛”key“：”9_CR58“，”非结构化“：”Qian，R.等人：时空对比视频表示学习。arXiv预印本arXiv:2008.03800（2020）“｝，｛”key“：”9_CR59“，”DOI断言“：”crossref“，”非结构化“：”Recasens，A.等人：拓宽你对自主视频学习的看法。收录于：IEEE计算机视觉国际会议论文集，pp.1255\u20131265（2021）“，“DOI”：“10.1109”，{“key”：“9_CR60”，“DOI-asserted-by”：“crossref”，“unstructured”：“Regatti，J.R.，Deshmukh，A.A.，Manavoglu，E.，Dogan，U.：无监督表征学习的共识聚类。arXiv-print arXiv:2010.01245（2020）“，”DOI“：”10.1109\/IJCNN52387.2021.9533714“}，{“key”：“9_CR61”，“DOI-asserted-by”：“crossref”，“unstructured”：“Sawada，Y.，Nakamura，K.：带有附加非监督概念的概念瓶颈模型。arXiv-Print arX iv:22022.01459（2022）”，“DOI”：“10.1109\/ACCES.2022.3167702”}，“key“：”9_CR62“，“DOI-asserted-by”：“出版商“，“非结构化”：“Seel，N.M.：学习科学百科全书，第1版。施普林格（2011）。https:\/\/doi.org\/10.1007\/978-1-4419-1428-6“，”doi“：”10.1007\/978-1-4419-1428-6“}，{“key”：“9_CR63”，“unstructured”：“Soomro，K.，Zamir，A.R.，Shah，M.：UCF101：来自野外视频的101个人类动作类的数据集。arXiv-print arXiv:12122.0402（2012）“}”，{（key）：“9_CR64”，“非结构化”：“Sun，C.，Baradel，F.，Murphy，K.，Schmid，C.：使用对比双向变换器学习视频表示。arXiv预印本arXiv:1906.05743（2019）“}，{“key”：“9_CR65”，“series-title”：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“first page”：”776“，“doi”：“10.1007\/978-3030-58621-8_45”，“volume-title”：”计算机视觉\u2013 ECCV 2020“，”作者：“Y Tian”，“年份”：“2020”，“非结构化”：“Tian，Y.，Krishnan，D.，Isola，P.：对比多视图编码。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12356卷，第776\u2013794页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58621-8_45“}，{”key“：”9_CR66“，”doi-asserted-by“：”crossref“，”unstructured“：”Tran，D.，Wang，H.，Torresani，L.，Ray，J.，LeCun，Y.，Paluri，M.：动作识别时空卷积的详细研究。摘自：IEEE计算机视觉和模式识别会议论文集，第6450\u20136459页（2018）“，”DOI“：”10.1109\/CVPR.2018.00675“}，{“key”：“9_CR67”，“unstructured”：“Vaswani，A.，et al.：注意是你所需要的。摘自：《神经信息处理系统进展》30（2017）“}”，{《key》：“9_CR68”，“非结构化”：“Wang，J.，Jiao，J.、Bao，L.、He，S.、Liu，W.、Liu、Y.：通过揭示时空统计数据进行自我监督视频表征学习。arXiv预打印arXiv:2008.13426（2020）“}，{“key”：“9_CR69”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，J.、Jiao，J.，Bao，L.、He，S.、Liu，Y.、Liu、W.：通过预测运动和外观统计对视频进行自我监督的时空表征学习。收录于：IEEE计算机视觉与模式识别会议论文集，第4006\u20134015（2019）页，“DOI”：“10.1109\/CVPR.2019.00413”}，{“key”：“9_CR70”，“series-title”：“计算机科学讲义”，“DOI-asserted-by”：“publisher”，“first page”：Computer Vision\u2013 ECCV 2020”，“作者”：“J Wang”，“年份”：“2020年”，“非结构化”：“Wang，J.，Jiao，J.、Liu，Y.-H.：通过速度预测进行自我监督视频表示学习。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12362卷，第504\u2013521页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58520-4_30“}，{“key”：“9_CR71”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，X.，Girshick，R.，Gupta，A.，He，K.：非局部神经网络。摘自：IEEE计算机视觉和模式识别会议论文集，第7794\u20137803页（2018）”，“doi”：“10.1109\/CVPR.2018.00813”}，}“key:”9_CR72“，”doi-asserted-by“：”crossref“，”unstructured“：”Wang，X.，Jabri，A.，Efros，A.A.：从时间的循环一致性中学习通信。收录于：IEEE计算机视觉和模式识别会议记录，第2566\u20132576（2019）页“，”DOI“：”10.1109\/CVPR.2019.00267“}，{“key”：“9_CR73”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，X.，Zhang，R.，Shen，C.，Kong，T.，Li，L.：针对自我监督视觉预训练的密集对比学习。收录于：IEEE计算机视觉和模式识别会议论文集，第3024\u20133033（2021）页，“DOI”：“10.1109\/CVPR46437.2021.00304”}，{“key”：“9_CR74”，“unstructured”：“Weinzaepfel，P.，Lucas，T.，Larlus，D.，Kalandis，Y.：学习图像检索的超特征。arXiv预印本arXiv:2201.13182（2022）”}doi-asserted-by“：”crossref“，”unstructured“：”Wu，Z.，Xiong，Y.，Yu，S.X.，Lin，D.：通过非参数实例判别进行无监督特征学习。摘自：IEEE计算机视觉和模式识别会议论文集，第3733\u20133742页（2018）“，“DOI”：“10.1109\/CVPR.2018.00393”}，{“key”：“9_CR76”，“series-title”：“计算机科学讲义”，“DOI-asserted-by”：“publisher”，“first-page”：“318”，“DOI:”10.1007\/978-3-030-01267-0_19“，”volume-title“computer vision\u2013 ECCV 2018”，“作者：“S Xie”，“年份”：“2018年”，“非结构化”：“Xie，S.，Sun，C.，Huang，J.，Tu，Z.，Murphy，K.：重新思考时空特征学习：视频分类中的速度-准确性权衡。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11219卷，第318\u2013335页。查姆施普林格（2018）。https:\/\/doi.org/10.1007\/978-3-030-01267-0_19“｝，｛“key”：“9_CR77”，“doi asserted by”：“crossref”，“unstructured”：“谢，Z，林，Y，张，Z，曹，Y，林，S，胡，H：宣传自己：探索无监督视觉表征学习的像素级一致性。摘自：IEEE计算机视觉和模式识别会议论文集，第16684\u201316693（2021）页，“DOI”：“10.1109\/CVPR46437.2021.01641”}，{“key”：“9_CR78”，“unstructured”：“Xiong，S.，Tan，Y.，Wang，G.：探索图像分类的视觉概念形成。摘自：国际机器学习会议，第11470\u201311479页。PMLR（2021）“}，{“key”：“9_CR79”，“doi-asserted-by”：“crossref”，“unstructured”：“Xu，D.，Xiao10.1109\/CVPR.2019.01058“}，{“key”：“9_CR80”，“unstructured”：“Yang，C.，Xu，Y.，Dai，B.，Zhou，B.：视频表征学习与视觉节奏一致。arXiv预印本arXiv:2006.15489（2020）”}，}，“key“：”9_CR81“，”doi-asserted-by“：”crossref“，”unstructure“：”Yao，T.，Zhang，Y.，Qiu，Z.，Pan，Y.，Mei，T.:SeCo:探索无监督表示学习的序列监督。arXiv预打印arXiv:2008.00975（2020）“，”DOI“：”10.1609\/aaai.v35i12.17274“}，{“key”：“9_CR82”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yao，Y.、Liu，C.、Luo，D.、Zhou，Y.和Ye，Q.：自我监督时空表征学习的视频播放速率感知。收录于：IEEE计算机视觉与模式识别会议论文集，第6548\u20136557（2020）页“，”DOI“：”10.1109\/CVPR42600.2020.00658“}，{“key”：“9_CR83”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yuan，L.，et al.：自足视觉的情境化时空对比学习。arXiv预印本arXiv:2112.05181（2021）”，“DOI“：”10.1109\/CVPR52688.2022.01359“}]，“container-title”：[“计算机科学课堂讲稿”，“计算机视觉\u2013 ECCV 2022”]，“原始标题”：[]，“链接”：[{“URL”：“https:\/\/link.springer.com/content\/pdf\/10.1007\/978-3-031-19809-0_9”，“内容类型”：“未指定”，“content-version”：“vor”，“intended-application”：“相似性检查”}]，”存放“：{“date-parts”：[[2022,11,3]]，“date-time”：“2022-11-03T00:07:36Z”，“timestamp”：1667434056000}，“score”：1，“resource”：{（主要）：{”URL“：”https:\/\/link.springer.com\/10.1007\/978-3-031-19809-0_9“}，”副标题“：[]，”短标题“：[]，“issued”：{“date-parts”：[2022]}，《ISBN》：[“97830”31198083“，”9783031198090“]，”references-count“：83，”URL“：”http:\/\/dx.doi.org\/10.1007\/978-3-031-19809-0_9“，”关系“：{}，”ISSN“：[”0302-9743“，”1611-3349“]，”ISSN-type“：[{”value“：”03029743“，”type“:”print“}，{”value“：”1611-33049“，”类型“：”electronic“}]，”subject“：【】，”published“：{”date-parts“：【2022】】}，“assertion”：【{”值“：”2022年11月1日“，”订单“：1，”名称“：”first_online“，”标签“：”first online“，“group”：{“name“：”ChapterHistory“，”label“：”Chapter History”}}，{“value”：“ECCV”，“order”：1，“name”：“conference_acrombit”，“label”：“conference缩写”，“group”：{“name”:“ConferenceInfo”，”lable“：”ConferenceInformation“}，”value“：”European conference-on-Computer Vision“，”order“：2，”name“:”conference_name“，”标签“：”会议名称“，”group“：{”name“：label“：”Conference Information“}}，{“value”：“Tel Aviv”，“order”：3，“name”：“Conference_city”，“label”：“ConferenceCity”，“group”：{“name”:“ConferenceInfo”，“标签”：“会议信息”}}“”2022“，”order“：5，”name“：”conference_year“，”label“：”会议年份“，”group“：”{“name”：“ConferenceInfo”，“label”：“会议信息”}}，{“value”：“2022年10月23日”，“order”：7，“name”:“conference_start_date”，”label:“会议开始日期”，“group”：{“name”：“ConferenceInfo”“名称”：“conference_end_date“，”label“：”会议结束日期“，”group“：“，”group“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}，{”value“：”https:\/\/eccv2022.ecva.net\/“，”order“：11，”name“:”Conference_url“，”tabel“：“会议url”，”group“:{“name”：“ConfEventPeerReviewInformation”，“label“：”同行评审信息（由会议组织者提供）“}}，{“value”：“CMT”，“order”：2，“name”：“conference_management_system”，“label”：“会议管理系统”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息number_of_submissions_sent_for_review“，”label“：“发送供审阅的提交数”，“group”：{“name”：“ConfEventPeerReviewInformation”，“label”：“同行审阅信息（由会议组织者提供）”}}，{“value”：“1645”，“order”：4，“name”:“number_ of_full_papers_accepted”，“标签”：“已接受的全文数”，”group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）28%-该值由等式“接受的完整论文数”/“提交供审查的论文数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_full_papers“，”label“：”完整论文的接受率“，”group“：”{“name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”}}，{“value”：“3.21”，“order”：7，“name”:“average_number_of_reviews_per_paper”，“table”：“每篇论文的平均审阅次数”，“group”：{“”name“：”ConfEventPeerReviewInformation“，”label“：”Peer Review Information（由会议组织者提供）“}}，{“value”：“3.91”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：同行评审信息（由会议组织者提供）“}}，{“value”：“Yes”，“order”：9，“name”：“external_reviewers_involved”，“label”：“external reviewers involved”、“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息