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，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，则他们风分界线是途中虚线。

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，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。