作者：人民中科研發(fā)中心張朝

　　摘要：在過去的很長(zhǎng)時(shí)間里，計(jì)算機(jī)視覺領(lǐng)域依靠大規(guī)模的有標(biāo)注數(shù)據(jù)集取得了很大的成功，特別是卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用，使得視覺各子領(lǐng)域?qū)崿F(xiàn)了跨越式發(fā)展，學(xué)術(shù)界和工業(yè)界開始投入大量的研究和應(yīng)用，一度使大家相信，人工智能的大廈即將建成。然而，最近關(guān)于自監(jiān)督學(xué)習(xí)（Self-supervisedLearning，SSL）、Transformer、MLP等在學(xué)術(shù)界的研究成為熱點(diǎn)，特別是Transformer和MLP的進(jìn)擊，大有要將監(jiān)督學(xué)習(xí)和卷積結(jié)構(gòu)拍死在沙灘上的節(jié)奏，作者相信，計(jì)算機(jī)視覺（CV）領(lǐng)域正在進(jìn)入新的變革時(shí)代。

　　本文主要聚焦于CV領(lǐng)域自監(jiān)督學(xué)習(xí)的相關(guān)內(nèi)容，包含基本概念，與視覺各領(lǐng)域的關(guān)系和應(yīng)用，以及當(dāng)前的進(jìn)展和一些思考，關(guān)于具體的自監(jiān)督學(xué)習(xí)方法原理和技術(shù)有太多的文章進(jìn)行解讀，本文暫不涉及，力求從其他角度去觀察自監(jiān)督學(xué)習(xí)的特點(diǎn)和當(dāng)前的局限性，分析總結(jié)經(jīng)驗(yàn)，以求能給大家更多創(chuàng)新的想法啟發(fā)。由于作者本人也有很大的局限性，一些觀點(diǎn)不免有偏頗，還望各位大佬批評(píng)指正。

　　一、自監(jiān)督學(xué)習(xí)介紹

　　AAAI2020會(huì)議上，YannLeCun做了自監(jiān)督學(xué)習(xí)的報(bào)告，表示自監(jiān)督學(xué)習(xí)是人工智能的未來。從2019年底至今，MoCo系列，SimCLR，BYOL等一系列方法等井噴發(fā)展，通過無標(biāo)注數(shù)據(jù)集達(dá)到了有標(biāo)注數(shù)據(jù)集上的效果，幾乎所有的下游任務(wù)都獲得收益，使其成為了CV各領(lǐng)域的研究熱門。自監(jiān)督學(xué)習(xí)的優(yōu)勢(shì)，就是可以在無標(biāo)簽的數(shù)據(jù)上完成訓(xùn)練，而監(jiān)督學(xué)習(xí)需要大量的有標(biāo)簽數(shù)據(jù)，強(qiáng)化學(xué)習(xí)需要與環(huán)境的大量交互嘗試，數(shù)據(jù)為王的時(shí)代，此特點(diǎn)也使得大家充分相信自監(jiān)督學(xué)習(xí)才是人工智能的發(fā)展方向。

　　自監(jiān)督學(xué)習(xí)是與大家熟悉的監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的新名詞，該類方法最早歸類于無監(jiān)督學(xué)習(xí)的范疇。關(guān)于自監(jiān)督學(xué)習(xí)的概念，Paperwithcode[1]給出的定義是，使用無標(biāo)注數(shù)據(jù)用自我監(jiān)督的方式學(xué)習(xí)一種表示的方法，具體方式是通過學(xué)習(xí)一個(gè)替代任務(wù)（pretexttask）的目標(biāo)函數(shù)來獲取特征表示。替代任務(wù)可以是一個(gè)預(yù)測(cè)類任務(wù)、生成式任務(wù)、對(duì)比學(xué)習(xí)任務(wù)。替代任務(wù)的監(jiān)督信息來源是從數(shù)據(jù)本身獲得的。舉個(gè)栗子，替代任務(wù)可以是圖片上色，圖片摳圖位置預(yù)測(cè)，視頻幀順序預(yù)測(cè)等?；蛘呶覀儚慕Y(jié)果反推方法，對(duì)于自監(jiān)督來說，數(shù)據(jù)本身是沒有標(biāo)簽的，我們需要通過自行設(shè)計(jì)任務(wù)來確定數(shù)據(jù)的標(biāo)簽。例如下圖[2]中把圖片中扣出9個(gè)塊，讓模型預(yù)測(cè)每個(gè)塊的位置，對(duì)每個(gè)塊自動(dòng)構(gòu)建標(biāo)簽的過程就是生成標(biāo)簽的過程，預(yù)測(cè)位置的工作就是替代任務(wù)。

　　圖1圖像塊相對(duì)位置預(yù)測(cè)

　　近來熱門且效果出色的自監(jiān)督模型MoCo系列、SimCLR等，除去BYOL和SimSiam舍棄了負(fù)樣本數(shù)據(jù)，基本都是采用正負(fù)樣本對(duì)間對(duì)比的方式來構(gòu)建，BYOL和SimSiam也構(gòu)建了兩個(gè)網(wǎng)絡(luò)間的對(duì)比形式，都屬于對(duì)比學(xué)習(xí)（ContrastiveLearning）任務(wù)的范疇，可以說，當(dāng)前的自監(jiān)督學(xué)習(xí)的火熱就是對(duì)比學(xué)習(xí)自監(jiān)督方法的火熱。其基本原理，是采用Siamese形式的網(wǎng)絡(luò)結(jié)構(gòu)，通過輸入正負(fù)樣本對(duì)數(shù)據(jù)，計(jì)算網(wǎng)絡(luò)兩個(gè)分支的輸出的損失，以使網(wǎng)絡(luò)能夠?qū)W習(xí)到可以將相似樣本拉近，不相似樣本拉遠(yuǎn)的特征。自動(dòng)構(gòu)建標(biāo)簽的過程，就是常用的各種數(shù)據(jù)增強(qiáng)方法，如下圖[3]，原始圖采用隨機(jī)裁剪、顏色變換、模糊等方式構(gòu)造相似樣本對(duì)，而不同的原圖或者增強(qiáng)后圖像即是非相似樣本對(duì)。訓(xùn)練得到的對(duì)比學(xué)習(xí)網(wǎng)絡(luò)，在遷移到下游任務(wù)（分類、檢測(cè)、分割）等數(shù)據(jù)集時(shí)，表現(xiàn)達(dá)到了可以媲美監(jiān)督學(xué)習(xí)模型的效果。

　　圖2SimCLR使用的數(shù)據(jù)增強(qiáng)方法

　　基于對(duì)比的自監(jiān)督方法發(fā)展史如下圖所示，選取了幾個(gè)受關(guān)注較多的方法，時(shí)間截止2021年3月。Facebook和google兩家研究團(tuán)隊(duì)神仙打架，對(duì)比學(xué)習(xí)框架逐漸去除掉一些技巧、結(jié)構(gòu)，朝著中國(guó)哲學(xué)“大道至簡(jiǎn)”這一概念前進(jìn)。

　　圖3自監(jiān)督對(duì)比學(xué)習(xí)發(fā)展歷程

　　換一個(gè)角度思考，如果拋棄下游任務(wù)的finetune，只關(guān)注于替代任務(wù)的學(xué)習(xí)，那么自監(jiān)督學(xué)習(xí)就像一個(gè)大染缸，各種替代任務(wù)只要可以構(gòu)造出來，將其嵌入到自監(jiān)督學(xué)習(xí)框架內(nèi)，最終學(xué)習(xí)出來的特征和網(wǎng)絡(luò)，就具有了替代任務(wù)的判別性。由此，就像使用魔法一樣，我們就能夠?qū)崿F(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)能力的定制化改造。當(dāng)前已經(jīng)有不少研究成果發(fā)表，可以使用自監(jiān)督完成幀序列預(yù)測(cè)、視頻播放速度判斷、圖像旋轉(zhuǎn)方向預(yù)測(cè)等。

　　二、自監(jiān)督學(xué)習(xí)與其他領(lǐng)域的關(guān)系和思考

　　由于對(duì)比學(xué)習(xí)的強(qiáng)勁發(fā)展勢(shì)頭和其在自監(jiān)督領(lǐng)域中占有的絕對(duì)比重，本文接下來直接以對(duì)比學(xué)習(xí)代替自監(jiān)督學(xué)習(xí)的說法，在深挖對(duì)比學(xué)習(xí)框架過程中，發(fā)現(xiàn)其與CV的各領(lǐng)域其他方法如蒸餾學(xué)習(xí)、表示學(xué)習(xí)等有相似或關(guān)聯(lián)之處，下面將逐個(gè)討論。

　　1.對(duì)比學(xué)習(xí)和蒸餾學(xué)習(xí)

　　二者的網(wǎng)絡(luò)結(jié)構(gòu)形式非常相似，同樣是雙路網(wǎng)絡(luò)結(jié)構(gòu)，同樣是對(duì)于最終的雙路網(wǎng)絡(luò)輸出計(jì)算loss。不同的是，蒸餾學(xué)習(xí)往往是固定一個(gè)teacher網(wǎng)絡(luò)，student網(wǎng)絡(luò)規(guī)模要小于teacher，對(duì)比學(xué)習(xí)中，兩個(gè)網(wǎng)絡(luò)結(jié)構(gòu)常常一致，并且是共同更新網(wǎng)絡(luò)參數(shù)，蒸餾學(xué)習(xí)中teacher網(wǎng)絡(luò)的參數(shù)固定。當(dāng)然還有輸入、loss、參數(shù)更新等不同，但蒸餾網(wǎng)絡(luò)提供給了我們理解對(duì)比學(xué)習(xí)架構(gòu)的另一種思考方式。在對(duì)比學(xué)習(xí)中常用的momentumupdate的更新方法和stopgradient技巧，可以理解成蒸餾學(xué)習(xí)的緩慢更新teacher版本和變體，由此我們可以將對(duì)比網(wǎng)絡(luò)理解成雙路網(wǎng)絡(luò)互相學(xué)習(xí)，左右互搏。甚至，論文DINO[4]中將網(wǎng)絡(luò)結(jié)構(gòu)圖中的兩個(gè)分支直接寫成了teacher和student。

　　圖4DINO算法網(wǎng)絡(luò)結(jié)構(gòu)

　　2.對(duì)比學(xué)習(xí)和表示學(xué)習(xí)

　　對(duì)比學(xué)習(xí)屬于表示學(xué)習(xí)的一種方法，通過對(duì)比學(xué)習(xí)獲得的特征，遷移到下游任務(wù)中，進(jìn)行finetune即可達(dá)到監(jiān)督學(xué)習(xí)的效果，像極了早期CV領(lǐng)域的手工特征。對(duì)比學(xué)習(xí)的損失函數(shù)設(shè)置也是表示學(xué)習(xí)的出發(fā)點(diǎn)，相似樣本在特征空間的距離依然相近，反之距離較遠(yuǎn)。監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)也是學(xué)習(xí)到了很好的特征表示，才對(duì)我們的分類等任務(wù)有較好的表現(xiàn)。而現(xiàn)在對(duì)比學(xué)習(xí)要做的，就是在無標(biāo)簽的基礎(chǔ)上，學(xué)習(xí)到一種泛化性更強(qiáng)的特征表示。可以預(yù)見的是，我們可以將對(duì)比學(xué)習(xí)模型替換掉imagenet預(yù)訓(xùn)練模型作為各類任務(wù)訓(xùn)練的起點(diǎn)，因?yàn)閷?duì)比學(xué)習(xí)的訓(xùn)練集規(guī)?？梢暂p松超越imagenet，并且訓(xùn)練得到是超越分類任務(wù)的更具泛化的特征表示。

　　圖5監(jiān)督學(xué)習(xí)的流程

　　3.對(duì)比學(xué)習(xí)和自編碼器

　　自編碼器也是無監(jiān)督領(lǐng)域圖像特征提取的一種方式，該方法基于一個(gè)編碼器（encoder）將輸入映射為特征，再通過解碼器（decoder）將映射的特征恢復(fù)到原圖，以減小重構(gòu)誤差為訓(xùn)練目標(biāo)。

　　圖6自編碼器網(wǎng)絡(luò)結(jié)構(gòu)示意

　　自編碼器的編碼過程可以看作是對(duì)比學(xué)習(xí)的單個(gè)分枝結(jié)構(gòu)，二者的區(qū)別在于自編碼器通過重構(gòu)輸出來作為自監(jiān)督信息并避免平凡解，而對(duì)比網(wǎng)絡(luò)是依靠?jī)陕肪W(wǎng)絡(luò)的輸出對(duì)比解決問題。從提取圖片特征來看，對(duì)比學(xué)習(xí)直接對(duì)提取的特征做約束優(yōu)化，保持了在嵌入空間中特征分布的Alignment（相似實(shí)例有相近的特征）和Uniformity（保留更多的信息，分布均勻）。此外，如果兩種方式做一種結(jié)合也不失為一種可以嘗試的方向，魔法不一定要打敗魔法，兩種魔法的加成也可能創(chuàng)造神奇的世界。

　　4.對(duì)比學(xué)習(xí)和自然語言處理

　　自然語言處理（NLP）領(lǐng)域自監(jiān)督學(xué)習(xí)的成功，是對(duì)CV領(lǐng)域?qū)Ρ葘W(xué)習(xí)熱潮的引領(lǐng)。詞向量（Word2Vec）等方法的成功，在視覺領(lǐng)域能否成功復(fù)刻，驅(qū)動(dòng)著大家向自監(jiān)督視覺方向進(jìn)行探索。

　　二者也有不同之處，單詞或短語的數(shù)量是有窮的，而圖片的數(shù)量則是無窮的，語句可以通過掩膜（mask）等方式構(gòu)造出各種類型的變化，圖片領(lǐng)域的變化如何高效地獲得樣本對(duì)并且有利于下游任務(wù)的效果提升都是要解決和優(yōu)化的問題。也有各類簡(jiǎn)單的應(yīng)用可以直接進(jìn)行遷移，比如ALBERT[5]提出了句子順序預(yù)測(cè)（SOP）任務(wù)可以直接遷移到視頻片段的順序預(yù)測(cè)上來。

　　5.對(duì)比學(xué)習(xí)和生成對(duì)抗網(wǎng)絡(luò)（GAN）

　　問：對(duì)比學(xué)習(xí)和GAN還能扯上關(guān)系？

　　答：您好，有的。

　　請(qǐng)看來自于videoMoCo[6]文章的網(wǎng)絡(luò)架構(gòu)，其中，使用生成器作為相似樣本對(duì)的生成方式，判別器就是對(duì)比學(xué)習(xí)的框架。可以說，GAN中的判別器分辨真假的任務(wù)和對(duì)比學(xué)習(xí)中的判別正負(fù)樣本對(duì)的任務(wù)基本一致。

　　雖然videoMoCo在這里使用的生成器方式比較naive，但是給我們開闊了巨大的想象空間。對(duì)比學(xué)習(xí)的難點(diǎn)之一就是如何構(gòu)造替代任務(wù)，當(dāng)前各類對(duì)比學(xué)習(xí)方法都是采用機(jī)械的數(shù)據(jù)增強(qiáng)來完成，如果使用網(wǎng)絡(luò)來完成正負(fù)樣本對(duì)的標(biāo)簽生成，是不是能促進(jìn)對(duì)比學(xué)習(xí)的效果提升，甚至擴(kuò)大對(duì)比學(xué)習(xí)的應(yīng)用范圍。萬物皆可對(duì)比，只要能夠生成。

　　圖7videoMoCo算法網(wǎng)絡(luò)結(jié)構(gòu)

　　6.對(duì)比學(xué)習(xí)和度量學(xué)習(xí)、圖像檢索

　　通過與研究度量學(xué)習(xí)的同事交流，從相關(guān)網(wǎng)絡(luò)算法和損失函數(shù)來看，對(duì)比學(xué)習(xí)和度量學(xué)習(xí)關(guān)系密切，或者直接看成是同一概念的兩種稱呼，目標(biāo)都是使學(xué)習(xí)到的特征相似對(duì)象間距離小，不相似對(duì)象間距離大。現(xiàn)在對(duì)比學(xué)習(xí)領(lǐng)域大多使用InfoNCE損失函數(shù)，而度量學(xué)習(xí)用的多種損失還鮮有涉及，將這些損失引用過來也是有可能進(jìn)一步優(yōu)化的方向。

　　圖像檢索是我們嘗試將對(duì)比學(xué)習(xí)作為實(shí)際應(yīng)用的重要領(lǐng)域，對(duì)比學(xué)習(xí)可以天然地得到圖像embeeding，并且也具有判別相似圖像或者非相似圖像的特點(diǎn)，在某些檢索需求下，是完美的落地應(yīng)用。我們也嘗試過將對(duì)比學(xué)習(xí)模型和ArcFace訓(xùn)練的模型做對(duì)比，二者在embedding之后應(yīng)用于圖像檢索中，簡(jiǎn)單驗(yàn)證的差異并不大，在模型適應(yīng)性上，原始的數(shù)據(jù)增強(qiáng)多樣性帶來的影響更大。

　　三、對(duì)比自監(jiān)督學(xué)習(xí)的發(fā)展趨勢(shì)

　　1.化繁為簡(jiǎn)之路

　　大家在看之前的一些對(duì)比學(xué)習(xí)研究論文可能有一些疑惑，為什么stopgradient會(huì)起作用，momentum的作用具體是什么，好像并不是那么直觀。后續(xù)方法中，momentumupdate被舍棄，負(fù)樣本也可以舍棄，而BarlowTwins[7]則大開大合，舍棄各類奇技淫巧，將對(duì)比學(xué)習(xí)落實(shí)到最直觀的互相關(guān)矩陣上，簡(jiǎn)潔到令人抓狂。反觀各類方法和損失的根本歸根結(jié)底就是互相關(guān)矩陣，互相關(guān)矩陣簡(jiǎn)潔的處理了樣本對(duì)的采樣方式，相比其他算法具有更高效的數(shù)據(jù)采樣方式和數(shù)據(jù)規(guī)模，之前的各類方法就像在敵人的心臟周圍不斷揮舞，而BarlowTwins就好像劍客直刺到敵人的心臟。當(dāng)然其采用的8192高維度的映射層也是值得討論的問題。

　　負(fù)樣本的數(shù)量對(duì)于特征的學(xué)習(xí)是十分重要的已經(jīng)是對(duì)比學(xué)習(xí)中的共識(shí)。此方法以降低各特征維度的冗余為目標(biāo)，換一個(gè)思考方式，咱們可以將互相關(guān)矩陣轉(zhuǎn)換為批次內(nèi)圖像的相似矩陣，以此獲得大規(guī)模的負(fù)樣本數(shù)據(jù)以提升模型效果，不再受限于硬件的限制也能完成一個(gè)高效的對(duì)比模型訓(xùn)練。當(dāng)然這種方法的先驗(yàn)假設(shè)就是，同一個(gè)批次內(nèi)的圖像，都是互為負(fù)樣本對(duì)的。

　　損失函數(shù)的使用也有回歸傳統(tǒng)的意味，以下分別是YannLeCun于2006年論文[13]中使用的損失函數(shù)和BarlowTwins的損失函數(shù)，你瞅瞅這倆損失像不像twins呢？

　　2006年提出的對(duì)比損失

　　BarlowTwins使用的互相關(guān)矩陣對(duì)比損失

　　2.TransformerorMLP？

　　2021年4月初，陳鑫磊，何愷明等大神又發(fā)布了MoCoV3[8]版本的自監(jiān)督方法，將VisualTransformers（ViT）引入到對(duì)比學(xué)習(xí)中來。4月底，DINO[4]論文發(fā)布，指出了自監(jiān)督的ViT特征包含明顯的語義分割信息，在有監(jiān)督的ViT和卷積網(wǎng)絡(luò)中都沒有類似的表現(xiàn)。

　　圖8DINO算法分割效果展示

　　在視覺領(lǐng)域，大有Transformer取代卷積網(wǎng)絡(luò)的趨勢(shì)，好像一個(gè)初出茅廬的年輕人亂拳打死老師傅。并且已經(jīng)由簡(jiǎn)單的圖像分類進(jìn)攻到了自監(jiān)督學(xué)習(xí)領(lǐng)域，還表現(xiàn)出了更厲害的特性，相信基于自監(jiān)督的Transformer還會(huì)有更多的研究出現(xiàn)。

　　或者涅槃重生的MLP[9]等方法也可能在自監(jiān)督領(lǐng)域大展身手，對(duì)應(yīng)[9]的標(biāo)題：MLP-Mixer：Anall-MLParchitectureforvision，自監(jiān)督下的MLP方法題目我都想好了：Anall-MLPArchitectureforself-supervisedLearning。

　　3.對(duì)比自監(jiān)督在視頻領(lǐng)域的應(yīng)用

　　對(duì)比學(xué)習(xí)方法在視頻領(lǐng)域的應(yīng)用也有很多，[10]將不同播放速度的影片輸入對(duì)比學(xué)習(xí)網(wǎng)絡(luò)，訓(xùn)練模型用于播放速度判別；背景減除（BackgroundErasing[11]）在視頻每一幀中疊加當(dāng)前視頻中的隨機(jī)幀，以達(dá)到減弱背景對(duì)于模型判斷的影響，提高行為識(shí)別的準(zhǔn)確性，網(wǎng)絡(luò)輸入為正常視頻和疊加幀后視頻；[12]對(duì)同一個(gè)視頻采樣不同的片段，將其看作是視頻的數(shù)據(jù)增強(qiáng)即正樣本對(duì)輸入到網(wǎng)絡(luò)中，獲得視頻特征的表示學(xué)習(xí)。

　　當(dāng)前在視頻領(lǐng)域的各種應(yīng)用中，替代任務(wù)和下游任務(wù)一致的現(xiàn)象比較嚴(yán)重，造成模型只能對(duì)特定任務(wù)具有識(shí)別效果。同時(shí)，視頻的特征的表示學(xué)習(xí)，照搬圖像方法的現(xiàn)象明顯，將2D卷積替換為3D卷積即可做遷移，相關(guān)研究還處于起步階段，個(gè)人認(rèn)為視頻序列的特征提取可以針對(duì)其時(shí)間維度的特殊性做一些專門的工作。

　　視頻表示學(xué)習(xí)的進(jìn)步，必將推動(dòng)視頻檢索領(lǐng)域的發(fā)展。在視頻檢索領(lǐng)域，可以通過自監(jiān)督學(xué)習(xí)的方式構(gòu)建檢索以視頻搜視頻的檢索方法，也可以做跨模態(tài)的視頻檢索，比如以文本搜視頻，以語音搜視頻等。反過來暢想，視頻也可以生成文本、視頻生成語音。

　　4.監(jiān)督的對(duì)比學(xué)習(xí)

　　本來在自監(jiān)督領(lǐng)域大放異彩的對(duì)比學(xué)習(xí)，還可以應(yīng)用在監(jiān)督學(xué)習(xí)領(lǐng)域，論文[14]做到了這一點(diǎn)。自監(jiān)督領(lǐng)域中對(duì)比學(xué)習(xí)的依據(jù)是，兩張圖片是否同源，而和監(jiān)督學(xué)習(xí)的結(jié)合，變成了兩張圖片是否同類。在使用監(jiān)督對(duì)比損失后，獲得了超過交叉熵的表現(xiàn)。

　　圖9自監(jiān)督對(duì)比和監(jiān)督對(duì)比

　　不過，該方法的核心還是采用了對(duì)比學(xué)習(xí)的方式訓(xùn)練了提取embedding的網(wǎng)絡(luò)，而后將特征提取網(wǎng)絡(luò)凍結(jié)，訓(xùn)練了全連接的分類網(wǎng)絡(luò)。從本質(zhì)上來講，與自監(jiān)督的網(wǎng)絡(luò)遷移到下游任務(wù)是一致的。關(guān)鍵在于替代任務(wù)的構(gòu)建，吸納了有監(jiān)督數(shù)據(jù)的信息。再次驗(yàn)證了自監(jiān)督學(xué)習(xí)的魔法光環(huán)，也證明了對(duì)比損失相對(duì)于分類交叉熵?fù)p失，在提取有效特征方面的優(yōu)秀能力。

　　四、一些思考

　　1.理論原理

　　盡管自監(jiān)督學(xué)習(xí)取得了很好的效果，但其背后的數(shù)學(xué)原理和理論基本并沒有特別扎實(shí)，大多通過實(shí)驗(yàn)結(jié)果反推模型結(jié)構(gòu)和策略的效果，可能造成很多研究走了彎路，從理論基礎(chǔ)出發(fā)，直達(dá)最終目標(biāo)的效果可能會(huì)更好。

　　2.替代任務(wù)的構(gòu)建

　　當(dāng)前替代任務(wù)的構(gòu)建特別是視頻方向，多與下游任務(wù)為主導(dǎo)，沒有特定的范式或者規(guī)則。替代任務(wù)所能完成的任務(wù)，就是自監(jiān)督模型能完成任務(wù)的邊界。替代任務(wù)的五花八門，導(dǎo)致各類任務(wù)的千差萬別，沒有辦法比較性能優(yōu)劣，只能是單純的網(wǎng)絡(luò)在另一個(gè)任務(wù)上的應(yīng)用，當(dāng)前圖片領(lǐng)域多基于多種數(shù)據(jù)增強(qiáng)方法構(gòu)建替代任務(wù)，而視頻領(lǐng)域也可以提出統(tǒng)一的構(gòu)建方式。

　　能夠通過“半自動(dòng)”方式做出來的替代任務(wù)少之又少，在各類的圖像算法應(yīng)用中，可能是影響自監(jiān)督方法適應(yīng)性的絆腳石。

　　3.能否構(gòu)建直通下游任務(wù)的端到端學(xué)習(xí)

　　既然[4]中已經(jīng)發(fā)現(xiàn)自監(jiān)督中有明顯的語義分割特征，在對(duì)比模型后端加入分割分支網(wǎng)絡(luò)會(huì)不會(huì)對(duì)網(wǎng)絡(luò)學(xué)習(xí)有幫助，抑或是直接訓(xùn)練得到可使用的分割網(wǎng)絡(luò)，都是值得研究的問題。

　　4.除對(duì)比的其他形式構(gòu)建特征提取網(wǎng)絡(luò)

　　本質(zhì)上，對(duì)比網(wǎng)絡(luò)是除去常規(guī)網(wǎng)絡(luò)之外，訓(xùn)練得到特征表示的一種方式而已，與前文提到的自編碼器有異曲同工之妙。對(duì)比學(xué)習(xí)的成功在于，其訓(xùn)練得到的特征提取網(wǎng)絡(luò)，在下游任務(wù)中表現(xiàn)優(yōu)異，也是所提特征有效的表現(xiàn)。由此我們可以得到啟發(fā)，還有沒有其他的形式構(gòu)建訓(xùn)練網(wǎng)絡(luò)，也能夠提取得到有效特征。相信新模式的提出肯定也會(huì)和對(duì)比學(xué)習(xí)一樣，引領(lǐng)一波研究浪潮。

　　5.廣闊天地，大有可為

　　自監(jiān)督學(xué)習(xí)還處于探索階段，有很多可以深入探究的部分，相信無論在學(xué)術(shù)界和工業(yè)界自監(jiān)督學(xué)習(xí)都會(huì)有廣泛的應(yīng)用。作為深度學(xué)習(xí)中的一種魔法，還需要更多的人來挖掘其潛能，創(chuàng)造更多的神跡。

　　總結(jié)

　　本文針對(duì)當(dāng)前熱門的自監(jiān)督學(xué)習(xí)領(lǐng)域在CV領(lǐng)域的研究，梳理了其與其他CV的相同和不同點(diǎn)，以及幾個(gè)前沿研究點(diǎn)的探討。希望通過本文，大家對(duì)自監(jiān)督學(xué)習(xí)的有個(gè)更加明確的定位，如果對(duì)于您的研究和思路有些許幫助，將是作者的更大欣慰。

　　—————————————————————————————————

　　人民中科（濟(jì)南）智能技術(shù)有限公司是由人民網(wǎng)與中科院自動(dòng)化所共同建設(shè)的“智能技術(shù)引擎”和“人才創(chuàng)新平臺(tái)”，聚焦音視頻內(nèi)容理解技術(shù)，圍繞“內(nèi)容理解+行業(yè)應(yīng)用”，提供多形態(tài)的內(nèi)容理解算法技術(shù)、軟件系統(tǒng)、硬件裝備等，向各行業(yè)輸出專業(yè)的AI技術(shù)解決方案。

免責(zé)聲明：以上內(nèi)容為本網(wǎng)站轉(zhuǎn)自其它媒體，相關(guān)信息僅為傳遞更多信息之目的，不代表本網(wǎng)觀點(diǎn)，亦不代表本網(wǎng)站贊同其觀點(diǎn)或證實(shí)其內(nèi)容的真實(shí)性。如稿件版權(quán)單位或個(gè)人不想在本網(wǎng)發(fā)布，可與本網(wǎng)聯(lián)系，本網(wǎng)視情況可立即將其撤除。