论文解读Unsupervised Feature Learning via Non-Parametric Instance Discrimination------2018 CVPR

Unsupervised Feature Learning via Non-Parametric Instance Discrimination------2018 CVPR

参考此篇博客做的笔记









3.4 结合论文 ，是来对测试图像 x_hat ,如何测试为c类别的 , alpha 是 第 i 个 临近点的 权重 。

Experiments

我们进行了4组实验来评估我们的方法。
第一套是在CIFAR-10上比较我们的非参数softmax和参数softmax。
第二套是在ImageNet上比较我们的方法和其他无监督学习方法。
最后两组实验研究了两种不同的任务，半监督学习和目标检测，以显示我们学习的特征表示的泛化能力。

可继续参考继续参考blog

表1:通过在学习的特征上应用线性SVM或知识网络分类器，在CIFAR10上的前1名准确度。我们的非参数软最大值优于参数软最大值，当m增加时，NCE提供接近的近似值。 m 是倍数 （噪声样本 是多少倍的 真实样本）

summary

我们提出了一种无监督的特征学习方法，通过一种新的非参数软最大化公式最大化实例之间的区别。受监督学习导致明显的图像相似性的观察的激励。我们的实验结果表明，我们的方法在图像网和地点上的图像分类方面优于最先进的技术，具有紧凑的128维表示，可以随着更多的数据和更深的网络而扩展。它还能在半监督学习和目标检测任务中提供有竞争力的泛化结果。