近日，实验室2021级博士生秦者云一篇论文“Exposing the Self-supervised Space-Time Correspondence Learning via Graph Kernels”（作者：秦者云，卢宪凯，聂秀山，尹义龙，沈建冰）被AAAI2023会议录用。AAAI是国际人工智能顶尖和权威学术会议之一，属于CCF A类会议。

自监督时空对应学习是无标签视频理解和分析的一种很有前途的方法。目前，大多数方法都是基于挖掘负样本的对比学习或适应于图像域的重建方式，这需要多帧之间密集的亲和力计算或光流约束。此外，视频对应预测模型需要挖掘视频中更多的内在属性，如结构信息。在这项工作中，我们提出了一种基于可学习图的时空对应框架——VideoHiGraph。将视频作为时空图，VideoHiGraph的学习目标以自监督的方式，通过图核预测未观察到的隐藏图。我们学习了目标外观在多帧表示，其中两两相似定义了结构化的隐藏图，这样远程对应的预测被计算为沿子图的随机游走核。然后，我们通过节点级的随机漫步核学习跨越连续帧的细化表示。模型学习由图之间的结构一致性和时间一致性构成。我们的实验结果不仅证明了VideoHiGraph的性能优势，也验证了其在涉及对象、语义部分、关键点和实例等的标签传播任务上的鲁棒性。