在静态监控摄像头中，有用的上下文信息可能远超典型视频理解模型所能捕捉的几秒范围：目标可能在多日内表现出相似行为，而背景物体保持静止。由于功耗和存储限制，采样频率通常较低（每秒不超过一帧），且可能因运动触发机制导致不规则采样。为在此环境下实现高性能，模型必须对不规则采样率具备鲁棒性。本文提出一种利用新摄像头未标记帧中时序上下文来提升该摄像头性能的方法。具体而言，我们提出基于注意力机制的Context R-CNN模型，该模型可通过按摄像头构建的长期记忆库检索信息，并聚合其他帧的上下文特征以提升当前帧的目标检测性能。我们将Context R-CNN应用于两种场景：(1) 相机陷阱中的物种检测，(2) 交通摄像头中的车辆检测，实验表明该模型在两种场景下均优于强基线模型。此外，延长上下文时间跨度能持续提升效果。在Snapshot Serengeti数据集上的实验显示，当使用长达一个月的图像上下文时，Context R-CNN以17.9% mAP优势超越单帧基线模型，并以11.2% mAP优势超越基于3D卷积的S3D基线模型。

Radioactive data: tracing through training 放射性数据：训练追踪 Alexandre S a blay roll es 1 2 Matthijs Douze 1 Cordelia Schmid ? Hervé Jégou Alexandre Sablayrolles 1 2 Matthijs Douze 1 Cordelia Schmid ? Hervé Jégou Abstract 摘要 We want to detect whether a partic... 我们想检测某个特定图像数据集是否被用于训练模型。我们提出了一种新技术——放射性数据(radioactive data)，通过对该数据集进行难以察觉的修改，使得任何基于它训练的模型都会带有可识别标记。该标记对架构差异或优化方法等强变量具有鲁棒性。给定一个训练好的模型，我们的技术可以检测放射性数据的使用情况，并提供置信度(p值)。 我们在大型基准测试(Imagenet)上使用标准架构(Resnet18、VGG-16、Densenet-121)和训练流程进行实验，结果表明即使仅使用1%的放射性数据训练模型，我们也能以极高置信度\$(p<10^{-4})\$检测出放射性数据的使用。该方法对数据增强和深度网络优化的随机性具有鲁棒性，因此其信噪比远高于数据投毒和后门方法。