基于中心差分卷积的自监督学习方法研究

摘要：

作为无监督学习的一个分支,自监督学习可以从大量无标签数据中学习到有用的特征,是近期一个热门的研究方向.基于前置任务和对比学习的自监督学习已经得到了大量的研究,但对于卷积操作的选择还没有得到足够的重视.将中心差分卷积神经网络引入自监督学习,探究了卷积操作对自监督学习性能的影响.实验结果显示,加入了中心差分卷积神经网络的Resnet18模型相比普通模型在下游分类任务上的性能提升了4.14％,在几乎未增加计算量的情况下,与Resnet50性能相当.

关键词：无监督学习、自监督学习、对比学习、中心差分卷积神经网络

所属期刊栏目：46

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金61773160

在线出版日期：2022-07-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：24-29