本研究提出了一种新的掩蔽自我-他建模方法（BYOV），旨在改善视角不变的视频表示学习。实验结果表明，BYOV在多个任务中显著优于现有方法，提升了视频理解能力。

本文提出了一种新的跨模态知识迁移方法，通过对比学习提升视频表示学习效果。实验结果显示，该方法在多个视频数据集上优于现有的知识蒸馏技术。同时，提出的多模态联邦学习框架有效解决了模态缺失和异质性问题，显著提高了推断准确性和性能。

本文介绍了一种新的跨模态知识迁移方法，通过组合对比学习提升视频表示学习效果。实验结果显示，该方法在多个视频数据集上显著优于现有的知识蒸馏技术。此外，文中探讨了自监督学习在音频-视觉表示学习中的应用，并提出多种新方法以提高音视频分析的准确性和效率。

本文介绍了一种新的视频表示学习方法——Temporal Squeeze（TS）池化，能够从长视频序列中提取运动信息并映射为少量图像。结合卷积神经网络，提出了Temporal Squeeze Network（TeSNet）用于视频分类。研究表明，该方法在视频分类基准测试中表现出更高的准确性和效率。

本文介绍了多种基于注意力机制的卷积神经网络（CNN）方法，如SCA-CNN、FLANet和CPCANet等。这些方法通过引入空间和通道注意力，显著提升了图像描述、语义分割和视频表示学习的性能，尤其在多个数据集上表现优异，且计算资源需求较低。

本文介绍了一种名为Temporal Squeeze（TS）池化的视频表示学习方法，通过转化视频帧为少量图像来提取移动信息。作者设计了Temporal Squeeze Network（TeSNet）视频分类模型，并在两个基准测试上与最先进的方法进行了比较。