「DL」 无监督学习资源汇总
训练数据不包含标注信息的情况下完成目标任务;
表示学习资源
unsupervised learning
1 综述
2 理论
3 生成式
-
Unsupervised representation learning by predicting image rotations
ICLR 2018 2018-03-21 paper | pytorch-official | openreview
通过图像旋转进行学习; -
AET vs. AED: Unsupervised Representation Learning by Auto-Encoding Transformations rather than Data
CVPR 2019 2019-01-14 paper
无监督通过数据还是自编码网络进行学习的讨论;
4 判别式
4.1 对比学习
-
Dimensionality reduction by learning an invariant mapping
CVPR 2006 2006 paper | blog
$\bullet \bullet$
首次提出对比学习; -
Discriminative unsupervised feature learning with convolutional neural networks
NIPS 2014 2014-06-26 paper | caffe | blog
Exemplar-CNN
首次使用正负样本对抗; -
Data-Efficient Image Recognition with Contrastive Predictive Coding
2019-05-22 paper | openreview | blog | blog
使用了特殊的网络结构,用了 layer norm 和 数据增广;当时最好的方法; -
Learning representations by maximizing mutual information across views
2019-06-03 paper | pytorch-official | blog
$\bullet \bullet$ - AMDIM
判别式对比学习,使用了特殊的网络结构,并且改动了数据增广; - Momentum contrast for unsupervised visual representation learning
2019-11-13 paper | blog | blog | blog | pytorch
$\bullet \bullet$ - MoCo
对数据做了混洗,用了 ResNet × n,耗费存储;
- A Simple Framework for Contrastive Learning of Visual Representations
AAAI 2020 2020-02-13 paper | blog
$\bullet \bullet$ SimCLR
定位:探索基于对比学习的判别式半监督网络,包括数据增广,特征提取和相似度计算;
总结:文章收录了较为全面的半监督学习相关信息,并对各环节做了实验,最终给除了效果最好的组合——SimCLR,达到 SOTA;
核心:各环节做了丰富的对比实验,对工程有很大指导作用;- 各环节只给出实验结果,缺乏理论分析;
- 只给了实验结果,未给出实验细节;
- 文章的核心“对比学习”就是孪生网络,相关任务有图片检索(人脸验证,REID 等);不知道为什么非要换个名字;
- 对比学习用于无监督分类准确度测试的时候,也没给出测试细节——怎么实现的半监督学习;
- 结论说 SimCLR(基于 4×ResNet)在微调后达到监督学习(基于 ResNet)的水平是噱头,因为 backbone 不一样;
看起来像是很努力但不聪明又的人写的文章;
4.2 其他
-
Unsupervised Visual Representation Learning by Context Prediction
ICCV 2015 2015-05-19 paper | caffe -
Unsupervised Feature Learning via Non-Parametric Instance-level Discrimination
CVPR 2018 2018-05-05 paper | pytorch-official | pytorch | blog | blog
$\bullet \bullet$ InsDis
5 应用
5.1 视觉异常检测
- Manifolds for Unsupervised Visual Anomaly Detection
2020-06-19 paper | [crack 分割数据集](https://github.com/khanhha/crack_segmentation)
无监督 VAE 从医疗图像中识别出癌症图片;
6 其他
-
Deep Clustering for Unsupervised Learning of Visual Features
ECCV 28 28-07-15 paper | 解读 -
Self-Supervised Representation Learning by Rotation Feature Decoupling
CVPR 2019 2019 paper
Comments