题目： Self-Supervised Learning of Video-Induced Visual Invariances

摘要： 我们提出了一种基于视频诱导视觉不变性（VIVI）的可转移视觉表示自监督学习的一般框架。我们考虑视频中存在的嵌入层次，并利用（i）帧级不变性（例如对颜色和对比度扰动的稳定性），（ii）镜头/剪辑级不变性（例如对对象方向和照明条件的变化的鲁棒性），以及（iii）视频级不变性（镜头/剪辑之间场景的语义关系），以定义整体的自监督损失。使用YouTube-8M（YT8M）数据集视频框架的不同变体的训练模型，我们在视觉任务适应基准（VTAB）的19个不同下游任务上获得最先进的自我监督传输学习结果，每个任务仅使用1000个标签。然后，我们展示如何与标记图像联合训练模型，在标记图像减少10倍的情况下，比anImageNet pretrained ResNet-50多0.8个点，以及使用完整ImageNet数据集的前一个最佳super-vised模型多3.7个点。

作者简介： Michael Tschannen，谷歌博士后研究员，对机器学习和计算机视觉很感兴趣。