通过预测图像旋转进行无监督表示学习
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
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
该研究探讨了利用空间上下文作为丰富的视觉表征的监督信号的方法。通过从每个图像中提取随机配对的路径来训练卷积神经网络，用于预测第二个路径相对于第一个路径的位置，从而实现对目标的识别，并证明该方法在性能上优于其他算法。
May, 2015
本文研究了不同的自编码器架构和训练策略，以从图像中学习表征，研究了网络深度和容量对降维和泛化能力的影响，结果表明自编码器特征的分类结果与预训练卷积神经网络一样有辨别能力。以上发现可用于设计跨领域的无监督表征学习方法。
Nov, 2018
该研究提出了一种简单的无监督视觉表示学习方法，使用参数化的实例级分类器来区分数据集中的所有图像作为前提任务。这种方法解决了大规模训练的困难，并提供了一种相似度先验，以在多个视觉任务中实现了竞争性的性能表现。
Feb, 2021
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
本研究提出了一种名为ScaleNet的简单高效的无监督表示学习方法，通过使用多尺度图像来增强有限信息条件下卷积神经网络(ConvNets)的性能，并展示了ScaleNet方法在旋转预测任务上的优越性及其对其他模型的分类任务的改进能力。
Oct, 2023