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
本文提出了一种增量学习方法，将聚类和分类步骤统一在单个算法中，以发现在规则化风险最小化框架下的最大视觉子类，这可在计算机视觉任务的语义类别中增加对外观不同的视觉子类的识别，同时发现DPM等物体检测方法无法利用这些视觉子类中的50%的训练样本。
May, 2014
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
本研究提出利用2D旋转来训练卷积神经网络学习图像特征的无监督语义特征学习方法，并在演示和各种无监督特征学习基准测试中详尽评估该方法，在所有测试中均表现出明显的优异性能。
Mar, 2018
通过非监督学习方法学习新的特征表示方法，有效地捕捉图像实例之间的相似性，并在ImageNet分类中取得了卓越的表现。
May, 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
提出一个基于生成对抗网络的实例相似性学习方法，通过挖掘特征流形的语义相似度来获得有区分性的表征，对图像分类任务进行了广泛实验，证明了其优越性。
Aug, 2021
本文提出了一种新的算法，名为TKC，将时间一致性集成到现有的实例区分范例中，并且能够在ResNet和AlexNet上学习更好的视觉表示，在下游任务上也有良好的泛化效果。
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