前言:最近在阅读近几年来CV领域无监督学习的主流方法,想把一些无监督领域的思想引入到我做的底层图像复原中来,克服实测数据难以解决的问题。对比学习(Contrastive Learning,后面统一简称CL)当属目前最火的无监督学习方法之一,因此最近的论文阅读以CL为专题,首先阅读CL的原理,主要是CL一些baseline的方法,后面阅读CL是如何在各个任务中的应用的。
动机
这篇文章应是contrastive learning的起源,该文章的目的是做特征降维,类似于LLE、tSNE等方法,解决他们存在的问题。说白了也就是图像表达的学习(representation learning),将高维的数据输入降维成信息量丰富的低维表达。这篇文章主要解决了当时特征降维的两个问题:
1. 这些方法假设输入数据空间中的点是存在相关性的(如LLE中认为每个点可以被领域内的点线性加权表示)。
2. LLE、tSNE等降维方法都需要已知所有特征后,再去进行降维,如果此时进来一个新的特征,则需要全部重新计算。
方法
作者要学习一个特征提取器Gw,或者说一个映射mapping,这个mapping需要满足以下几个特征:
1. 映射后的空间上&#x