目标检测和语义分割，纯监督学习的已经被做的很透了，可以看看知乎大佬的分析文章。.如果引入无监督或者半监督方法还有的做。.如果只是应用想发水刊也可以做，但是想发好的期刊可能这两个方向需要你的实验室有较好的积累和一定的硬件支持。.最后...
除了研究如何提升自监督学习框架的通用数据表证性能、针对特定任务进行。本文将首先介绍自监督学习、知识蒸馏、半监督学习等相关领域的基础知识，进而解读本届NeurIPS上与自监督学习和知识蒸馏相关的3篇优秀论文，旨在抛砖引玉。
而无监督学习由于学习过程太过困难，它的发展缓慢。.因此，希望机器学习技术能够在弱监督状态下工作。.南京大学周志华教授在2018年1月发表了一篇论文，叫做《ABriefIntroductiontoWeaklySupervisedLearning》，对机器学习任务给出了一个新的趋势和思路。.个人...
自监督学习(Self-SupervisedLearning)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，GoogleBrain的几个研究员发表了两篇论文，从另外的视角分析和研究self…
在自监督学习中，我们通过利用数据的某些属性来设置伪监督任务来替换人类注释。例如，这里我们可以将图片旋转0/90/180/270度，然后训练模型来预测旋转的角度，而不是将图像标记为cat/dog。如果将图片标记为cat/dog是需要人的参与，而将图片进行旋转并记录其旋转的角度作为标签写个脚本就...
机器学习的常用方法，主要分为有监督学习(supervisedlearning)和无监督学习(unsupervisedlearning)。简单的归纳就是，是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习；没标签则为无监督学习。有…
出于对自监督学习在计算机视觉领域的应用的好奇，我通过Jing等人的一篇近期调研论文查阅了已有的关于自我监督学习在计算机视觉领域应用的文献。这篇文章是我对自监督学习中问题模式的直观总结。关键的思想为了使用监督学习，我们需要足够的…
一周论文|关于远程监督，我们来推荐几篇值得读的论文.说起关系抽取，就不得不提远程监督（distantsupervision），将已有的知识库（比如freebase）对应到丰富的非结构化数据中（比如新闻文本），从而生成大量的训练数据，从而训练出一个效果不错的关系抽取...
监督学习最适用于预测、分类、性能比较、预测分析、定价和风险评估等任务。半监督学习往往对一般数据创建和自然语言处理有意义。至于无监督学习，它在性能监测、销售功能、搜索意图以及潜在的更多方面有一定的地位。
后深度学习时代：弱监督学习、自主学习与自适应学习如何用于视觉理解.编者按：在工业界大量资源的投入下，大数据、大规模GPU集群带来了深度学习在计算机视觉领域的全面产业落地，在很多竞赛中甚至取得远超学术界的成绩。.在AI领域的各个顶级会议上...