自监督视觉表征学习中的密集语义对比
本文介绍了一种基于像素的密集自监督学习方法，通过考虑局部特征之间的对应关系，实现了对密集预测任务的有效优化，包括物体检测，语义分割和实例分割。与基线方法 MoCo-v2 相比，该方法仅引入了微不足道的计算开销，但表现出了更好的性能。
Nov, 2020
通过引入样本对间对比学习和原型 - 样本对比学习，提出了一种新颖的语义感知双对比学习框架，通过联合训练三个模块，准确捕捉与图像内容相关的判别性标签级特征，并在五个具有挑战性的大规模公共数据集上实验证明了该方法的有效性优于现有技术。
Jul, 2023
提出了一种新的对比学习框架 HCSC，可以通过构建并动态更新一组层次结构原型来表征图片数据中的层次语义结构，并且通过一种精心设计的对对选择方案来让图像表示更好地适应这些语义结构。在广泛的下游任务中，证明了 HCSC 优于现有对比方法，其重要模型组件的有效性通过大量的分析研究得到证明。
Feb, 2022
本文提出了一种名为 VADeR 的无监督学习方法，通过像素级对比学习来学习像素级别的视图无关的密集表示，该方法在多个密集预测任务中优于 ImageNet 监督预训练和强无监督基线。
Nov, 2020
本文提出了一种 MCSC 框架，联合训练 CNN 和 Transformer 模型，并采用多尺度交叉监督对比学习来对医学图像进行结构分割。实验证明，该方法在 Dice 系数上比现有的半监督方法提高了 3.0% 以上，并且大大缩小了与全监督方法之间的性能差距。
Jun, 2023
本文提出了 SCNet，一种基于卷积神经网络的语义对应的几何合理模型，利用区域提议实现匹配原语，并明确将几何一致性纳入其损失函数中，该方法在多项基准测试中均表现优异。
May, 2017
本文提出了一种语义对比学习的方法（SCL），将距离的聚类结构引入到无标注数据的特征空间中，并通过优化实例视觉相似性和聚类决策边界的一致性来推理出语义上的实体类别，以在发现未知类别决策边界方面具有显着优势。实验证明，SCL 在六个物体识别基准测试中优于最先进的对比学习和深度聚类方法，尤其是在更具挑战性的精细和较大的数据集上。
Mar, 2021
本文提出了一种名为 SCAN 的新算法，该算法通过最大限度地防止语义指导损坏外观特征嵌入，有效的融合了有监督和自监督学习方法，取得了比以往的有监督和自监督方法更好的性能，并揭示了语义标签在辅助自监督方法中的作用。
Nov, 2020
该研究提出了一种基于语义分布的对比适应算法，可以在语义分布的指导下实现像素级表示对齐，从而能够更好地解决跨域问题。经验证明，SDCA 在多个基准测试中都可以显着提高现有算法的分割准确性。
May, 2021