利用改进的实例级对比学习与深度聚类进行自监督视频表征学习

基于摘要分析。本文研究自监督视频表征学习，针对常规实例级对比学习（Instance-CL）未能充分处理不同视频之间时序相似性的问题，提出两阶段方法 Improved Instance-CL with Deep Clustering（ICDC），以逐步学习类内更紧凑的时序表征。 第一阶段引入一致性保持采样策略，构造正负样本对；作者称其相比传统采样更关注运动动态，使表征更侧重时序信息。第二阶段以 Instance-CL 提取的时序表征作为初始化，迭代执行 k-means 聚类，并用聚类产生的伪标签训练编码器，从而进一步利用跨视频相似性。摘要未披露采样约束、具体损失、聚类数选择及伪标签更新细节。 作者报告，在 action recognition 和 video retrieval 两项下游任务中，ICDC 相较已有自监督方法获得明显改进。摘要未提供数据集、数据划分、对照方法名称或量化指标，因此尚不能判断增益幅度及各阶段的独立贡献；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，EEG 实例级对比学习也可能将具有相同任务相关动态的不同片段分离，聚类伪标签或可补充跨片段结构。可复用的是对比预训练与迭代聚类流程；视频运动动态采样则需改造为适合 EEG 时间结构的增强与配对规则。该思路依赖可重复的时序结构和足以形成稳定聚类的数据，低信噪比、被试差异、通道配置及小数据均可能使聚类主要反映伪迹或个体特征。一个可证伪的小实验是在固定 Cross-subject 划分和编码器条件下，对照常规 Instance-CL、改造采样及加入聚类的版本，仅用训练集拟合聚类，检查下游表现与聚类的被试依赖性是否同步变化。上述 EEG 效果并非本文已验证结果，已有 EEG 相关工作尚未检索确认。