自主驾驶车辆感知的自监督学习：分析和学习方法的调和

Oct, 2019

自主驾驶车辆感知的自监督学习：分析和学习方法的调和

Self-supervised learning for autonomous vehicles perception: A conciliation between analytical and learning methods

Florent Chiaroni, Mohamed-Cherif Rahal, Nicolas Hueber, Frederic Dufaux

TL;DR本文介绍了自监督学习技术在自动驾驶感知中的应用，其能够替代传统手动标注的方式，为自动驾驶中的不同任务提供了有效的替代方法，并提出了未来自监督学习系统设计中的重要挑战。

Abstract

Nowadays, supervised deep learning techniques yield the best state-of-the-art prediction performances for a wide variety of computer vision tasks. However, such supervised techniques generally require a large amo

self-supervised learning autonomous vehicles perception ssl techniques computer vision deep learning

发现论文，激发创造

自监督学习在自动驾驶的运动预测中的应用

本研究首次系统地探索和评估了将自我监督学习纳入动态预测的潜力，并建议使用四个自我监督学习任务进行动态预测，其中辅助自我监督任务不仅可以提高预测准确性，而且具有低推理时间和建筑复杂性。

Jun, 2022

自监督学习提升合成孔径声纳目标识别

这项研究探讨了自监督学习（SSL）在合成孔径声纳（SAS）图像识别改进中的应用，结果表明，尽管两个 SSL 模型在少样本情况下可以优于完全监督模型，但在使用全部标签时不能超过其性能，这有助于减少数据标记的时间和成本，同时提供了远程感知中使用 SSL 的证据。

Jul, 2023

音频自监督学习：综述

本文综述了自监督学习在音频处理和语音处理领域中的应用，包括方法、实验和基准数据，并讨论了未来发展方向和存在的问题。

Mar, 2022

图上自监督学习：对比、生成或预测

本文介绍了在图形数据上进行自监督学习的方法，并将其分为对比、生成和预测三种类型，同时对常用数据集、指标、算法进行了总结，并讨论了未来研究方向。

May, 2021

领域内自监督学习可提高遥感图像分类

本文研究了自监督学习在遥感图像分类中的应用，使用 ViT 模型和 iBOT 框架进行预训练可以提高模型预测性能。

Jul, 2023

低数据条件下的自监督视觉学习：一项比较评估

在相对有限 / 受约束的数据集中，通过比较实验评估了现代视觉自监督学习方法的有效性，发现针对特定领域的下游任务，在领域内的低数据量自监督预训练优于在通用数据集上进行大规模预训练，为该领域中各类自监督学习方法的性能提供了有价值的见解，并提出了直接的未来研究方向。

Apr, 2024

图像自监督学习：综述

本文综述了基于自监督学习技术在图数据中的应用，提出了一个统一的数学框架，并将这些方法根据预文本任务的目标分为四类，并描述了在各个研究领域中的应用及所采用的数据集，评估基准，性能比较和开源图形 SSL 代码。

Feb, 2021

自监督解决无监督异常检测的困境和机遇

自我监督学习在无监督异常检测中起到重要作用，对 SSL 策略的选择、超参数的调整、预处理任务和增强函数的设计以及基于密度估计的预训练模型的利用提出了新的发展和挑战。

Aug, 2023

点云数据的自监督学习：综述

本文介绍了近期基于 DNN 的点云 SSL 的综述，包括定义、动机、背景、基于几种常见 Task-agnostic 预训练的创新分类方法，以及对于基准数据集的实验结果总结，最终给出了针对当前点云 SSL 限制的改进和未来研究方向。

May, 2023

推荐系统中自监督学习的综合调查

推荐系统在面对信息过载的挑战中发挥着关键作用，通过基于个人用户偏好的个性化推荐提供了解决方案。深度学习技术（如 RNN、GNN 和 Transformer 架构）显著推动了推荐系统的发展，增强其对用户行为和偏好的理解。然而，在现实场景中，监督学习方法由于数据稀疏性而面临挑战，限制了它们有效学习表示的能力。自监督学习技术作为一种解决方案应运而生，利用固有数据结构生成监督信号，不仅依赖于已标记的数据。通过利用未标记数据和提取有意义的表示方法，利用自监督学习的推荐系统可以在面对数据稀疏性时进行准确的预测和推荐。本文对为推荐系统设计的自监督学习框架进行了全面的回顾，包括对超过 170 篇论文的深入分析。我们探索了九种不同的场景，以全面理解不同情境中使用自监督学习增强的推荐系统。对于每个领域，我们详细阐述了不同的自监督学习范式，即对比学习、生成学习和对抗学习，以展示自监督学习如何在各种上下文中增强推荐系统的技术细节。我们在此 https URL 上持续更新相关的开源材料。

Apr, 2024