无监督皮肤特征跟踪深度神经网络

使用卷积神经网络进行无监督学习，显著优化了20,000个物体类别的图像特征提取。

通过自动编码器将面部图像向量转化为新表示，取得56%的EER相对改进，缩小了有标签训练数据的差距。

提出了一种非监督框架，成功分割视频中的前景和背景，并更新前景外观，优于随机初始化和自动编码器预训练。

通过从视频帧中提取面孔对，获得比手工特征和深度网络更高的低分辨率验证准确性，表明开发适用于姿势和光线变化的人脸验证模型是可行的。

基于CNN和度量学习的两阶段方法实现面部验证和识别，获得99.77%的成对验证准确度，展示了数据大小和补丁数量的重要性。

提出了一种无监督视觉跟踪方法，使用大规模未标记视频进行训练，取得与完全监督追踪器相当的精度。

在视频中进行情感识别的3D卷积神经网络方法，超越了现有最先进技术，提取空间和时间关系。

基于深度自动编码器和注意力层的关键帧检测方法，在TVSUM视频数据集上达到了0.77的分类准确率。

使用无标签数据训练卷积网络，获得比监督学习更具鲁棒性的特征表示，分类效果优于现有结果。

基于无监督分割的异常检测方法，利用多尺度区域特征生成器和深度自编码器，在多个基准数据集上取得最新技术进展。