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

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

通过局部可靠相似度的估计，不需要监督信号，将样本分组成紧凑的代理类，利用样本到类的局部偏序将类与类连接起来，将相似性学习形式化为局部排序任务，并采取自我监督策略，在 C​NN 中训练样本以一致的方式表示，同时更新类。该无监督方法在详细姿态估计和对象分类上表现出有竞争力的性能。

Apr, 2017

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

本文提出了一种方法，通过从未标记数据的大量语义无关信息中参考 “样本” 生成各种多样化的对应物，使得 DNN 在学习新任务时能够有效地避免遗忘，特别是本方法在 CIFAR-100 和 ImageNet-Subset 等数据集上表现优于现有技术。

Apr, 2022

提出了一种基于弱监督对比学习的框架 (WCL)，该框架使用两个投影头进行正则的实例区分任务，一头使用基于图形的方法找到相似的样本并生成弱标签，另一头使用这些弱标签进行有监督的对比学习任务，以拉近相似图像之间的距离。WCL 旨在解决现有对比学习框架中的类冲突问题，并在不同的数据集上提高了自监督表示品质，尤其是在半监督学习中达到了新的最优结果。

Oct, 2021

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

本文提出了一种基于先前知识建模、示例学习和视频上下文学习的轻度半监督目标检测的计算模型，通过与现实实例的交互，从未标记的视频中检测并识别出更多的实例，进一步提高识别能力。

Nov, 2014

本文旨在探讨深度卷积神经网络特征对无监督问题的可迁移性，并研究不同的预训练卷积神经网络特征提取器对于图像集群聚类和细粒度分类问题的影响，提出结合预训练的 ImageNet 中的深度特征提取和经典的聚类算法管道的分类方法，在图像聚类方面优于现有算法。作者同时在机器人应用中验证了该方法，成功实现了一种智能物体分类和存储的方案。

Jul, 2017

我们提出了一种用于少样本图像分类的传导元学习方法，结合了经过正则化的马氏距离软 k-means 聚类过程和修改后的最先进的神经自适应特征提取器来使用未标记数据提高测试时间分类准确性，我们在 Meta-Dataset、mini-ImageNet 和 tiered-ImageNet 基准测试上取得了最先进的性能。

Jun, 2020