摘要

我们进行了一项大规模研究，探讨从视频中进行无监督时空表示学习的方法。通过对四种最近基于图像的框架进行统一视角的研究，我们提出了一种简单的目标函数，可以轻松地将所有这些方法推广到时空域。该目标函数鼓励同一视频中的特征在时间上具有持久性，尽管其设计简单，但在以下方面表现出惊人的效果：(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) 主干架构。通过这项研究，我们得出了一系列有趣的观察结果，例如，我们发现即使时间跨度为60秒，鼓励长时间持续性也能取得有效成果。除了在多个基准测试中取得最先进的结果外，我们还报告了几例无监督预训练优于有监督预训练的情况。代码已发布在 https://github.com/facebookresearch/SlowFast。