该论文采用对比学习方法提出了一种基于空间区域的卷积神经网络无监督训练方法，可与传统的神经网络结构和训练技巧相结合，提高模型性能。

Nov, 2016

利用基于深度学习的计算机视觉方法，该研究使用 2008 年至 2021 年间的 1500 万街道图像来测量伦敦的变化，成功地识别了住房供应的变化，为城市规划和政策决策提供及时信息，以建设更宜居、公平和可持续发展的城市。

Sep, 2023

本研究旨在将对比学习方法应用于地理定位的数据集上，通过利用遥感数据的时空结构设计预处理任务和构建时空正对来消除对比学习和监督学习之间的差距，并在遥感图像分类、目标检测和语义分割等任务上展示该方法的有效性，同时还表明该方法可以应用于地理标记的 ImageNet 图像并提高相应任务的性能。

Nov, 2020

街道级视觉外观、地理可视化界面、语义潜在向量、空间图像模式和驾驶路径规划器是这篇论文的关键词。该论文研究了将街道级视觉外观整合到地理可视化界面（例如地图服务）以规划驾驶路径的新型可视化任务，并提出了多项新的贡献，并通过 VivaRoutes 交互式可视化原型展示了这些发现模式如何帮助用户有效和交互地探索多条路径，并通过用户研究评估了 VivaRoutes 的实用性和效用。

Mar, 2024

本文介绍了一种自我监督的地理位置表示学习技术，使用无标注的 GPS 轨迹学习地理位置的语义特征并为地理计算机视觉任务提供特征表示，通过将 GPS 轨迹建模为地球表面的一些节点或像素，使用卷积、收缩自编码器学习压缩地理位置的可达性嵌入并取得了显著性能提升。

Oct, 2022

使用 Flickr 上的地面图像和深度学习方法进行土地利用地图绘制，并针对地理位置和室内 / 室外进行筛选和半监督数据增强，从而最终实现了 76% 的准确性。

Sep, 2016

本文提出了一种新颖的无监督深度学习模型，叫做基于 PCA 的卷积神经网络（PCN）。PCN 的结构由多个特征提取阶段和一个非线性输出阶段组成，其中卷积层的滤波器是通过 PCA 算法学习得到的，而在非线性输出阶段，采用二进制哈希。实验结果表明，PCN 在手写数字识别、人脸识别和纹理分类等挑战性任务中表现优秀，而且由于没有监督微调的反向传播，因此比现有的深度网络更高效。

May, 2015

无监督表示学习在处理高维数据模态时受限于数据特异性的稳定性和拓扑性，而生物智能系统却没有这样的限制。我们引入了一个新的框架，从缺乏稳定性和拓扑性的高维数据中进行学习，通过可学习的自组织层、密度调整的谱聚类和掩码自编码器的结合，我们的模型在生物视觉数据、神经记录以及基因表达数据上得到了有效的评估。与 SimCLR 和 MAE 等最先进的无监督学习方法相比，我们的模型在不依赖于稳定性和拓扑性的情况下能更好地学习到有意义的表示，也胜过了其他与这些因素无关的方法，从而在该领域开辟了新的基准，这项工作是迈向能够在不同高维数据模态之间泛化的无监督学习方法的一步。

Oct, 2023

本研究提出了基于对比学习的方法，以自我监督的方式在预先训练的生成对抗网络的潜在空间中发现语义方向，并发现了与现有最先进方法可比较的有意义的语义维度。

Apr, 2021

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