Hi，大家好，我是编程小6，很荣幸遇见你，我把这些年在开发过程中遇到的问题或想法写出来，今天说一说
自监督学习（一）自监督学习介绍,希望能够帮助你!!!。

Overview

这篇博客主要介绍自监督学习的基本概念、意义以及几个比较经典的例子。

What is Self-Supervised Learning?

自监督学习本质上是一种无监督学习的方法，通常会设置一个“Pretext tasks”，根据数据的一些特点，构造Pesdeo Labels来训练网络模型。通过自监督得到的模型，可以作为其他学习任务的预训练模型，为其提供更好的训练初始区域。因此，自监督学习也可以看作是为了学习图像的通用视觉表示。

Why is Self-Supervised Learning?

之所以自监督学习在近几年成为研究的热点，主要是数据标注的成本太高，而且深度学习的迁移性能很差。虽然现在也有很多的域适应方法，但是在实际的应用中，最好的方法还是不停的增加标注数据。因此，自监督学习的兴起可以说是必然的。

Some Examples

以下介绍几篇经典的自监督论文作为例子：

Unsupervised Visual Representation Learning by Context Prediction

该文章发表在ICCV 2015，思路比较简单。将图像分为3x3的patch并为每一个patch编号，网络接收任意两个位置的patch，预测两个patch的相对位置。通过构建这样一个Pretext task，可以对网络进行训练，训练得到的网络可以作为预训练模型应用到其他的任务中。

Unsupervised Representation Learning by Predicting Image Rotations

该方法发表在ICLR 2018上。通过预测输入图像的旋转角度训练网络，将输入图像随机旋转 0,90,180,270度，输入分类网络中，网络预测输入图像的旋转角度是0, 1，2，3。

Exemplar Networks

这类方法的共同做法是对输入数据进行增广变换，然后强制让网络学习到特性尽可能接近，从而学习到图像的高层语义特征。

Summary

目前来看，自监督学习的理论性不强，很多方法都是纯粹的实验结果，而且性能的提升有限，作为预训练模型，目前还无法超越ImageNet预训练。但是自监督方法的潜力还是很大的，针对深度学习的下一阶段的研究，如何减少对于大量标注数据的依赖，是一个很重要的方向。这就需要网络能学习到通用的高层语义特征，但是目前来看，自监督学习方法还达不到这个目标，下一篇文章将对这一点进行介绍。

今天的分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。