点击我爱计算机视觉标星，更快获取CVML新技术
推荐给大家一篇昨天arXiv新出的论文 ：
A survey on Semi-, Self- and Unsupervised Techniques in Image Classification （Similarities, Differences & Combinations）。
自监督、半监督、无监督，傻傻分不清楚？那来看看这篇论文吧！
来自德国的研究人员为你详解他们的相似性、不同点和可以结合的地方。
作者单位：德国基尔大学
作者们比较了21个最先进的模型，指出该领域的三个趋势：
1. 最先进的方法已经可以应用于真实世界场景；
2. 与使用所有标签的监督学习相比，所需要的监督程度正在下降；
3. 三种学习方法使用了相同的技术，但很少有文献讨论如何把他们结合起来。
探索无标签数据成为最近一年来机器学习领域的热点，下图展示了在深度学习图像分类问题中无标签数据的作用。
红色和蓝点圆点代表不同的类别的有标签数据，灰色圆点代表没有标签的数据。
如果我们仅使用有标签的数据，则他们的分界线是图中虚线。
如果考虑到无标签数据，那黑色的曲线是则应该是比较好的选择。
监督学习、半监督学习、非监督学习、自监督学习的示意图：
部分半监督学习方法图例：
部分自监督学习方法图例：
作者总结的半监督、自监督、无监督学习使用的一些关键技术：
可见三类学习方法中很多不同类型的算法使用了相同的组件。（具体缩写代表技术详情，请查阅原论文）
作者报告了在该领域常使用的数据集，图例：
作者汇总的一些结果：
可见，尽管监督学习仍然在图像分类中仍占统治地位，但半监督和自监督学习的算法已经表现出喜人的成绩，尤其值得一提的是，2019年出现的半监督学习方法fast-SWA和自监督学习方法AMDIM在四个常用数据集上的精度已经接近监督学习的结果！
总之，黎明已现，前途光明，方法之间的结合很值得研究。
本文仅做了稍许的重点介绍，想要进一步研究该领域的朋友，可以在我爱计算机视觉公众号后台回复关键字“非监督综述”，即可收到下载地址。
技术交流群
对于自监督学习、半监督学习、无监督学习，52CV均有相关的技术交流群，群内严控广告，欢迎扫码添加CV君拉你入群，（如已为CV君其他账号好友请直接私信）
（请务必注明：无监督/半监督/自监督 之一）
喜欢在QQ交流的童鞋，可以加52CV官方QQ群：805388940。
（不会时时在线，如果没能及时通过验证还请见谅）
长按关注我爱计算机视觉
1039
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
