本文介绍了一种使用大量未标记数据进行无监督学习的方法，通过使用数十万个未标记的 web 视频作为数据集，设计了一个具有排名损失函数的 Siamese-Triplet 网络，用于深度卷积神经网络的无监督学习，可在不使用 ImageNet 的情况下，获得 52% 的 mAP 的性能，并展示了此非监督网络在其它任务中表现出竞争性。

May, 2015

本文提出了一种无监督方法，使用基于深度预训练人脸网络获得的表示来提取视频中的身份信息，为此，我们设计了一种自监督的 Siamese 网络，并在三个视频数据集上进行了评估，结果表明我们的方法优于当前所有现有的方法。

Mar, 2019

本研究介绍了一种从未标记的视频中进行无监督学习的新方法，通过引入一种面向物体的时间相干性方法来促进学习具有相似表征的物体，并在多个基准数据集上展示了与竞争无监督方法相比显著的准确度提高。

Dec, 2016

本文讨论了学习通用人脸表征的最佳方法，介绍了用于面部表征学习的综合评估基准，研究了人脸表示学习的两种方法（监督和非监督预训练），并调查了训练数据集的重要特征，通过大量实验，发现无监督的预训练方法在各种人脸任务中表现出一致性和显著的准确性提高，同时也发现现有的一些人脸视频数据集存在大量的冗余。

Mar, 2021

该研究提出了一种半自动方式从互联网收集人脸图像并构建了一个包含大约 10000 个主体和 500000 个图像的大规模数据集，命名为 CASIAWebFace，使用该数据库，我们使用一个 11 层 CNN 学习区分性表示并获得在 LFW 和 YTF 上的最新准确性。

Nov, 2014

利用多帧视频自我监督训练深度网络，学习面部身份模型并同时重建 3D 面部，采用新的多帧一致性损失函数使得 consistent shape 和 appearance 尽量减小深度不确定性，从而实现单目和多帧重建。

Dec, 2018

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

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

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

通过利用自动编码器将面部图像向量转化为新的表示，本研究提出一种缩小有标签训练数据差距的方法，从而在无监督的人脸验证技术方面取得了 56％的 EER 相对改进，成功缩小了余弦和 PLDA 评分系统之间的性能差距。

Dec, 2023