1 什么是自监督学习？ 实际的场景里通常有海量的无监督数据，而有监督数据却很少。那么能否利用这些海量的无监督数据，用来改进监督学习任务的效果呢？ 自监督学习（Self-supervised Learning）作为Unsupervised Learning的一个重要分支，给出了很好地解决方案。

浅析计算机视觉中的自监督学习 在计算机视觉（CV）领域，目前的方法主要依赖大量的标注样本来学习丰富的视觉表征，从而在各项CV任务中取得较好的表现。然而在许多情况下，大规模的人工标注并不容易获得。因此，我们希望可以利用无监督方法去学习那些不带标注的样本。

一文看懂半监督学习Semi-supervised Learning和自监督学习Self-Supervised …

自监督学习 1、自监督学习属于无监督学习的一种。数据本身没有任务需要的标签。 自监督学习需要人为的构造标签，让模型来学习特征。 如图片切成不同的patch，预测不同的位置。 如将图片旋转不同角度，得到了旋转角度标签，用正常的监督学习训练即可

自监督学习Self-Supervised Learning多篇论文解读（下） 之前的研究思路主要是设计各种各样的pretext任务，比如patch相对位置预测、旋转预测、灰度图片上色、视频帧排序等等。CVPR19和ICCV19上，Google Brain的几个研究员发表了两篇论文，从另外的视角

自监督学习综述

清华 CVer 对自监督学习的一些思考

自监督学习综述 , Self-supervised Visual Feature Learning with Deep Neural Networks: A Survey 作者,Longlong Jing and Yingli Tian Self-supervised Visual Feature Learning with Deep Neural Networks: A Survey 摘要 在计算机视觉应用中，训练深度神经网络通常需要

自监督学习: 人工智能的未来_Kaiyuan_sjtu的博客-CSDN博客

机器之心专栏 机器之心编辑部 图灵奖得主 Yoshua Bengio 和 Yann LeCun 在 2020 年的 ICLR 大会上指出，自监督学习有望使 AI 产生类人的推理能力。该观点为未来 AI 领域指明了新的研究方向——自监督学习是一种不再依赖标注，而是通过揭示数据各部分之间关系，从数据中生成标签的新学习范 …

高效利用无标注数据自监督学习简述_夕小瑶的卖萌屋-CSDN博客

数据挖掘领域大师俞士纶团队新作,最新图自监督学习综述

详解自监督学习三类主流方法,基于上下文、时序和对比

自监督学习综述

为什么自监督学习能学到新信息 ？1, 先验 我们的世界是在严格的物理、生物规则下运行的，那么对这个世界的观测结果（图像）也必然存在一些先验规律。例如图像上色任务，就是利用了物体类别和物体颜色分布之间的关联；image inpainting，则是利用了物体类别和形状纹理之间的关联；旋转预测任务

自监督在学习过程中需要提供label吗？ 首先第一个问题，自监督学习可以被看作无监督学习的一种特殊情况，二者区别于监督学习的地方在于前者不需要人工标注的标签（这是无监督主要解决的问题也是前景的所在）而后者需要；, 第二个问题，自监督学习需要

深度学习入门 — 自我学习与半监督学习_jiede1的博客-CSDN博客_深度学习 自学习

自监督学习的出发点，是为了使得模型在缺少、或完全没有标签数据的情况下，依然可以学习到可重表示原始数据的有意义的特征。重点在于没有标签，即训练过程中，没有人为定义的目标或监督信息。所以，无监督学习和自监督学习之间，不存在界限【1】。

自监督学习与监督学习和无监督学习的区别是什么。自监督在学习 …

什么是自监督学习和半监督学习？

自监督学习和迁移学习之间是什么关系？

浅析计算机视觉中的自监督学习

MIT大神利用半监督or自监督学习，巧妙破解数据不平衡问题！, AI科技评论今天给大家介绍一下一篇被NeurIPS 2020接收的工作:《Rethinking the Value of Labels for Improving Class-Imbalanced Learning》。, 这项工作主要研究一个经典而又非常实际且常见的问题,数据类别不平衡（也

自监督学习综述 , Self-supervised Learning: Generative or Contrastive 作者,Xiao Liu, Fanjin Zhang, Zhenyu Hou, Li Mian, Zhaoyu Wang, Jing Zhang, Jie Tang Self-supervised Learning: Generative or Contrastive 摘要 在过去的十年中，深度监督学习取得了巨大的成功。

自监督学习

欢迎学习我的机器学习全面教程，这里我们解释半监督学习及应用，也可以关注主页了解自监督学习内容和其他机器学习知识。机器学习全面教程-半监督学习（标签传播算法） 介绍 对于某些类型的数据，你会遇到这样的问题:有很多样本，但没有所有这些样本的标签，只有其中的一个子集。

数据挖掘领域大师俞士纶团队新作最新图自监督学习综述_腾讯新闻

近年来，自 监督学习 逐渐广泛应用于 计算机视觉、自然语言处理 等领域。随着该技术的蓬勃发展，自 监督学习 在图 机器学习 和 图 神经网络 上的应用也逐渐广泛起来，图 自 监督学习 成为了图 深度学习 领域的新发展趋势。本文是来自澳大利亚蒙纳士大学（Monash University）图 机器学习 团队联合

所以自监督学习的能力主要由下游任务的性能来体现。 自监督学习的主要方法 自监督学习的方法主要可以分为 3 类,基于上下文（Context based） 、基于时序（Temporal Based）以及基于对比（Contrastive Based）。 1, 基于上下文（Context Based）

MIT大神利用半监督or自监督学习，巧妙破解数据不平衡问题！

自监督学习的主要方法, 自监督学习的方法主要可以分为 3 类,1, 基于上下文（Context based） 2, 基于时序（Temporal Based）3, 基于对比（Contrastive Based）, 1, 基于上下文（Context Based）, 基于数据本身的上下文信息，我们其实可以构造很多任务，比如在 NLP 领域中最重要