具有示例卷积神经网络的判别式无监督特征学习

Jun, 2014

具有示例卷积神经网络的判别式无监督特征学习

Discriminative Unsupervised Feature Learning with Exemplar Convolutional Neural Networks

Alexey Dosovitskiy, Philipp Fischer, Jost Tobias Springenberg, Martin Riedmiller, Thomas Brox

TL;DR本文介绍了一种使用无标签数据训练卷积网络的方法，该方法可用于通用特征学习，通过应用多种变换来区分一组代理类别，获得了比监督学习更具鲁棒性的特征表示，能在几个流行数据集上取得胜于现有结果的分类效果。

Abstract

Deep convolutional networks have proven to be very successful in learning task specific features that allow for unprecedented performance on various computer vision tasks. Training of such networks follows mostly the supervised learning paradigm, where sufficiently many input-output pa

convolutional networks unsupervised learning generic feature learning surrogate classes geometric matching problems

发现论文，激发创造

邻域发现的无监督深度学习

本文提出了一种通用的无监督深度学习方法，通过发现样本邻域来推理和累计学习潜在的类别决策边界，进而进行分类，实验结果显示该方法在图像分类方面优于先前的无监督学习模型。

Apr, 2019

深度无监督学习视觉相似性

本文提出了一种利用局部相似性的弱估计，通过单个最优化问题提取具有一致性关系的样本批次，将视觉相似性学习作为分类任务的序列，并使 CNN 巩固群体内和群组间的传递性关系，学习所有样本的单个表示。

Feb, 2018

通过预测噪音实现无监督学习

本文介绍了一种通用的框架，用于在没有监督的情况下对深度网络进行端对端训练，通过固定一组目标表示并约束其深度特征对齐到这些表示来达到目的，同时采用了随机批量重新分配策略和可分离的平方损失函数来缓解标准无监督学习中的一些问题，并且在 ImageNet 和 Pascal VOC 上能够实现与最先进的无监督方法相媲美的表现。

Apr, 2017

卷积聚类用于无监督学习

本文介绍了一种基于增强版 k-means 聚类算法的深度卷积神经网络，该算法通过无监督学习技术利用分层特征来减少相关参数的数量，从而提高了测试分类精度。作者进一步展示了学习深度卷积神经网络各层之间的连接能够提高网络在少量标记数据上的训练能力，最终在 STL-10 数据集上获得 74.1% 的测试准确率以及在 MNIST 数据集上仅有 0.5% 的测试误差。

Nov, 2015

通过增强单个图像进行无监督特征学习

本文研究如何将数据增强应用于无监督特征学习，我们将各种变换应用于随机图像块，通过卷积神经网络分类学习到有用的特征表示，同时实验结果显示这一算法能在多个视觉数据集上取得较为有竞争性的分类结果。

Dec, 2013

非参数样例级别判别的无监督特征学习

通过非监督学习方法学习新的特征表示方法，有效地捕捉图像实例之间的相似性，并在 ImageNet 分类中取得了卓越的表现。

May, 2018

深度无监督学习的空间对比

该论文采用对比学习方法提出了一种基于空间区域的卷积神经网络无监督训练方法，可与传统的神经网络结构和训练技巧相结合，提高模型性能。

Nov, 2016

从大规模的弱监督数据中学习视觉特征

本文探讨了在大型弱标记图像集上训练卷积网络以提升视觉特征表达的潜力，并证明了在 1 亿张 Flickr 图片与样本说明上训练出来的特征在多种视觉问题中表现良好，还能够妥善地捕捉单词之间的相似性，并学习不同语言之间的对应关系。

Nov, 2015

CliqueCNN: 深度无监督样本学习

本文提出了一种基于团伙分类任务的无监督训练方法，用于解决在仅有单个正样本、多个负样本以及不可靠的标注关系之间训练卷积神经网络的不足，并将其应用于姿态分析和物体分类任务。

Aug, 2016

深度卷积生成对抗网络的无监督表示学习

该论文提出深度卷积生成对抗网络（DCGANs）可以用于无监督学习，通过在各种图像数据集上的训练，证明了 DCGANs 能够学习从物体部分到场景的表示层次结构，并且可以用于一般图像表示。

Nov, 2015