通过自我监督学习从原始农业图像数据中学习有意义的特征表示，我们提出了一种利用 SimCLR 对大规模未注释数据集上进行预训练的轻量级框架，该框架具有较强的适用性，可以解决各种农业视觉任务，并降低对注释数据的依赖，从而提高成本效益和可用性，推动农业中计算机视觉技术的广泛应用。

Mar, 2024

本文将需要自我学习来改进现有模型的数据集偏差性进行了深入研究，并成功地在不同类型数据集上改善了模型，同时介绍了一种具有多尺度裁剪、强数据增强和近邻策略的改进自监督学习方法，并通过 MoCo 模型在语义分割和视频实例分割任务中实现了优秀的效果。

Jun, 2021

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

本论文引入了 LeOCLR（Leveraging Original Images for Contrastive Learning of Visual Representations），一种新的实例辨识方法和适应的损失函数，以保证正样本之间的共享区域在语义上是正确的，实验证明我们的方法在不同数据集上始终比基线模型改进了表征学习。 例如，在线性评估中，我们的方法在 ImageNet-1K 上比 MoCo-v2 提高了 5.1％，在迁移学习任务中也超过了其他几种方法。

Mar, 2024

该研究基于对简单的 CNN 使用几何和光度扩增方案的试验性结果，通过 4 折交叉验证考察了不同的数据扩增方案，并证明 crop 扩增在几何扩增方案中可以显著提高 CNN 任务性能。

Aug, 2017

本文提出两种新方法对影像数据进行时间和形态表型效应研究并将其验证于 2D 癌细胞培养物中以分析药物效果。通过使用 1 百万张带有多种增强技术和多个裁剪的图像数据进行卷积自编码器的训练，将其作为特征提取器并通过距离分析和 DTW 动态时间规整应用于 31 种药物的时间模式聚类。使用对抗 / 正则化设置改善 31 种药物的分类并可视化图像区域，提高了平均 8％的排名和发现了一些形态特征的重要性图。作者在文中提供了这一特征提取器和权重以促进生物学中的迁移学习应用，并讨论了其他预训练模型的实用性以及该方法对其他类型的生物医学数据的适用性。

Mar, 2022

通过量化实验，我们发现了自监督学习方法的增益来源及其局限性，并且提出了一种利用非结构化视频学习表示以实现更高视点不变性的方法。

Jul, 2020

本文从转换类型和方法的角度系统地回顾了现有的人脸数据增强研究，特别关注于基于深度学习的方法，尤其是生成式对抗网络。研究结果表明，这些方法为丰富人脸训练集并提高其质量提供了更有效的工具，并提出了评价它们的指标及未来的挑战。

Apr, 2019

通过高内容显微镜筛选从细胞表型中推断生物关系在生物研究中提供了重要的机遇和挑战。该研究探讨了在更大数据集上训练更大模型时，弱监督和自监督深度学习方法的可扩展性。结果显示，基于 CNN 和 ViT 的掩蔽自编码器在表型推断方面明显优于弱监督模型。在我们的尺度上限，通过来自 9500 万显微镜图像的 35 亿个独特裁剪样本训练的 ViT-L/8 相对于从公共数据库中整理的已知生物关系的最佳弱监督模型的相对改善率达到了 28%。

Sep, 2023

本研究使用深度强化学习与卷积神经网络相结合，设计了一种新的深度伪造检测算法，通过统计每张测试图像的各种增强方法的分类分数来检测深度伪造的图片，实验证明该方法在跨数据集的泛化性能方面优于现有的模型，并获得最先进的性能。

Apr, 2022