新智元推荐

原文来源：arXiv

作者：SpyrosGidaris、PraveerSingh、NikosKomodakis

「雷克世界」编译：嗯~是阿童木呀、KABUDA、EVA

在论文中，研究人员训练卷积神经网络来识别被应用到作为输入的图像上的二维旋转。从定性和定量两方面证明，这个看似简单的任务实际上为语义特征学习提供了非常强大的监督信号。

在过去的几年中，深度卷积神经网络（ConvNets）已经改变了计算机视觉的领域，这是由于它们具有学习高级语义图像特征的无与伦比的能力。然而，为了成功地学习这些特征，它们通常需要大量手动标记的数据，这既昂贵又不可实行。因此，无监督语义特征学习，即在不需要手动注释工作的情况下进行学习，对于现今成功获取大量可用的可视数据至关重要。

在我们的研究中，我们打算通过这种方式学习图像特征：训练卷积神经网络来识别被应用到作为输入的图像上的二维旋转。我们从定性和定量两方面证明，这个看似简单的任务实际上为语义特征学习提供了非常强大的监督信号。我们在各种无监督的特征学习基准中，对我们的方法进行了详尽的评估，并在所有这些基准中展示出了最先进的性能。

具体来说，我们在这些基准中的结果展现了在无监督的表征学习中，较之先前最先进的方法，我们的方法取得了巨大改进，从而显著缩小了与监督特征学习之间的差距。例如，在PASCALVOC检测任务中，我们的无监督预训练的AlexNet模型达到了54.4%的最先进的性能表现（在无监督的方法中），比监督学习的情况下仅少了2.4个百分点。当我们将无监督的学习特征迁移到其他任务上时，我们得到了同样的惊人结果，例如ImageNet分类、PASCAL分类、PASCAL分割和CIFAR-10分类。我们论文的代码和模型将会发布在这里：

（

转载请注明:http://www.aideyishus.com/lkcf/4640.html