本文提出了从视频无监督的时空表示学习的大规模研究。借助对四个基于图像的最新框架的统一观点，我们研究了一个简单的目标，可以轻松地将所有这些方法推广到时空。我们的目标是鼓励在同一视频中使用时间上持久的特征，尽管它简单易用，但在以下情况下却表现出色：（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） 骨干架构。我们从这项研究中得出了一系列有趣的观察结果，例如，我们发现，即使跨度为60秒，鼓励长时间跨度的持久性也是有效的。除了在多个基准测试中得到的最新结果之外，我们还报告了一些有希望的案例，其中无监督的预训练可以胜过其有监督的预训练。

https://www.zhuanzhi.ai/paper/c814846601d2bda3489e56a681716b05