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
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。
Jun, 2014
本研究致力于解决视觉数据无监督学习中的目标检测问题，使用包含深度神经网络的学生路径来训练模型，该模型可以在测试时明显优于无监督视频发现教师，并在 YouTube 视频数据集和目标发现数据集等基准测试中取得了最先进的结果，测试时比其他方法至少快两个数量级。
Mar, 2017
本文介绍了一种新的架构和方法，用于无监督目标识别，自动提取CNN模型中的特征，并将其与基于Hopfield网络的联想记忆库结合使用，消除了监督深度学习中的反向传播，提供了良好性能。
May, 2018
使用随机初始化的标准模型，在 COCO 数据集上进行的目标检测和实例分割，结果不劣于它们的 ImageNet 预训练模型，证明预训练模型并不一定能提高模型最终的准确性。
Nov, 2018
本研究旨在通过解决一个适当的优化问题，对图像集合中的对象类别进行无监督发现和匹配，以应对日益增长的人工注释工作量和服务特定应用的需求。在多个基准测试中，我们的方法证明了其价值。
Apr, 2019
本研究提出了一种新的无监督学习方法，利用自监督和聚类从大规模数据中捕获互补统计信息，通过对 YFCC100M 中 9600 万张图片的验证，本方法已经成为标准基准测试中无监督方法中最先进的方法之一，也展示了使用本方法预训练的 VGG-16 在 ImageNet 验证集上可以获得74.9 % 的分类精度，比同一网络从头开始训练提高了 0.8%。
May, 2019
本文提供一个综合性的比较不同无监督学习方法在图像特征表达方面的表现，使用线性评估、最近邻分类和聚类等多个基准测试来定量比较，分析了不同嵌入度量的均匀性、容忍性和中心内核对齐，并提出了两个新的度量。通过比较分析发现不能以单一流行的方法来代表整个领域的研究，在未来的工作中，应考虑如何利用这些方法的互补性。同时提供了一个统一的框架来定量数据增强不变性，并提醒不同任务需要的增强不变性类型各有差异。
Jun, 2022
本文综述了针对可视化识别问题的先进深度学习算法在半监督学习和无监督学习范式下的研究进展，提出了统一的分类方法，并分析了它们在不同学习场景和计算机视觉任务中的设计原理及应用，最后探讨了SSL和UL中的新趋势和挑战。
Aug, 2022
使用DETR为基础的目标检测器，通过无监督预训练和利用大量未标记数据来提高检测器的性能，采用更丰富、基于语义的初始提议、基于聚类的物体伪标签的判别性训练以及自我训练等三个关键因素，显著提升了DETR在完整和低数据情况下的性能，并且证明能够在复杂图像数据集上从头开始预训练，直接实现无监督表示学习。
Jul, 2023