本研究提出了一种动态记忆预测框架，解决了现有视频重建方法在复杂场景下对多参考帧的忽视问题。该框架通过引用帧记忆引擎和双向目标预测网络，提高了细粒度视频目标跟踪的精度和鲁棒性，实验结果表明其优于现有自监督技术。

本文提出了一种基于自监督技术的特征学习方法，适用于无标签的传感器数据。该方法可用于人类活动识别等领域，通过转化识别任务提供监督信号，提取有价值的特征。在智能手机环境下的无人监督、半监督和迁移学习情况下，性能与完全监督网络相当甚至更好。该技术可广泛应用于其他领域。

本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可用于人类活动识别等领域，通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可广泛应用于其他领域。

SelfGraphVQA是一种框架，通过预训练场景图生成器从图像中提取场景图，并应用语义保持增强和自监督技术，改进了图表示在视觉问答任务中的利用。实验结果表明，提取的场景图对于视觉问答非常有效，并且通过强调视觉信息的重要性来提升整体性能，为依赖场景图进行复杂推理问题的视觉问答任务提供了更实用的解决方案。

该文介绍了一种基于自监督技术的特征学习方法，适用于无标签传感器数据的人类活动识别。该方法在智能手机环境下表现良好，可被广泛应用于其他领域。