本研究旨在解决大规模多标签视觉识别问题，通过在已训练的神经网络分类器中增加辅助容量的方法，以极小的影响计算规模的前提下，显著提高模型的性能，并采用网络自身的预测作为评估视觉相似性的描述符，将标签空间划分为视觉上相似的实体组，通过增加辅助隐藏层通路，仅连接到这些标签单元组，从而在大规模对象识别任务中报告了显著的平均精度改善，同时将乘加操作数的数量增加了不到 3%。

Dec, 2014

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

本研究提出了一种无监督图像分类框架，旨在通过不使用嵌入聚类来简化和优化深度聚类算法，并在 ImageNet 数据集上进行了实验。同时验证了其在多标签图像分类，目标检测，语义分割等任务的泛化性，以及其在迁移学习中的有效性。

Jun, 2020

采用完全可区分的无监督深度聚类方法，仅使用未标记的对象提议，无需个体分类标签来学习语义类，建立特征表示并同时学习聚类。目前该方法仅提供分割对象性掩膜的监督，但该方法可扩展为使用无监督的目标性生成机制，从而使该方法完全无监督。

Jan, 2018

本文介绍了无监督学习在目标分割上的应用，实验表明运用最近的无监督生成式对抗网络可以实现较高质量的前景 / 背景像素分割且优于其它无监督方法。

Jun, 2020

使用卷积神经网络进行非监督学习，提取图像中的高级特征，并取得了针对 20,000 个物体类别的显著优化结果。

Dec, 2011

通过自监督学习方法，针对各种来源、无需数据预处理的数十亿张随机图片进行训练，生成可以识别物体、风格、地理位置等信息的模型，并对其公平性、偏差等进行了多角度验证，证明其表现优异、不会对数据进行歧视和危害。

Feb, 2022

本文介绍了一种新模型：HybridNet，它是一种双分支编码器 - 解码器架构，利用未标记的图像数据改善图像分类器的泛化性能。它在各种半监督设置中优于现有技术，并提出一种新的训练目标。

Jul, 2018

本文针对卷积神经网络在物体识别方面的表现进行研究，探讨了无监督预训练在近期发展中是否仍具有重要的作用，并通过实验证实了无监督预训练对于样本中无监督数量比例较高时的效益，而当比例较低时不如数据增强、抑制过拟合等技术，此外文中还提到了色彩增强等方式更接近于先前最先进方法的表现。

Dec, 2014

研究多种自监督学习任务相结合的方法，用于训练单一的视觉表征，并在 ImageNet 分类、PASCAL VOC 检测和 NYU 深度预测上获得了优秀的结果。

Aug, 2017