另一种（深度）学习：自我监督学习会是下一个重点导向吗？

在这篇文章中，我将尝试讨论一些最有趣的方法：其中一些是做事，并称之为“不同种类(深度)学习”。我绝不会试图预测深度学习的未来发展，而只是呈现给大家一些最近有趣的作品，这可能不会成为人们关注的焦点。

自我监督学习的介绍

深度学习确实在一定程度上改变了机器学习，特别是在图像识别任务中。2012年，Alex-net发起了一项(仍然远未结束)的竞赛，以解决或至少显著改善了计算机视觉任务。虽然主要思想非常稳定(对所有事物都使用深度神经网络)，但研究人员采取了截然不同的方式：

• 尝试优化模型架构。
• 尝试优化训练计划，例如优化程序。
• 尝试优化数据，例如顺序、大小、多样性等。

这些研究路径中的每一个都提高了训练质量(速度、准确性，有时是一般化)，但似乎做同样的事情可能会导致逐步改进，但不会取得重大突破。

另一方面，在深度学习中不断增长的工作表明当前方法存在重大缺陷，特别是在泛化方面，例如最近的一个：当对象旋转时的泛化失败：

所以似乎需要进行更具侵略性的改进。或者可能将研究范围扩展到可能风险更大的领域。

除了上述方法之外，还有一些方向试图改变。

• N类别单样本学习
• 半监督学习
• 域适应
• 自我监督学习

这些方法采用了一些不同的训练范式，尝试更具创造性，或模仿一些类似人类的模式。虽然我们尚未从上述方法(和其他方法)中获得证据来取得重大突破，但它们确实达到了一些非常重要的结果，并且还教会了我们很多关于训练过程的知识。

在这篇文章中，我将尝试讨论一些最有趣的方法：其中一些是做事，并称之为“不同种类(深度)学习”。我绝不会试图预测深度学习的未来发展，而只是呈现给大家一些最近有趣的作品，这可能不会成为人们关注的焦点。只可能会为读者提供一些目的：

• 您可能有兴趣了解您不知道的作品。
• 您可能会为自己的工作获得新的想法。
• 您可以了解您不了解的深度学习中的逻辑部分和任务之间的关系。

本系列的第一部分将讲述自我监督(self supervised learning)学习，这是我编写本系列的主要动力之一。

自我监督学习

想象一下，你有一个代理人，它可以搜索网络，并从它遇到的每一个图像中无缝地学习。这个概念非常有趣，因为如果能够实现，那么深度学习的最大障碍，即注释数据将被(部分)删除。

但是怎么做呢?最初它是在文本中提出的，文本由人类很好地构建，因此有许多概念可以从中学习而没有任何注释。预测下一个/上一个单词是一个突出的例子，就像在单词嵌入和语言模型任务中所做的那样。

在视觉中，这样的技巧稍微有点复杂，因为视觉数据(图像和视频)不是人类明确创造的(当然，有些摄影师可能会在他的摄影中加入一定的思考)但不是每一个视频，并且绝对不是每一个图像都具有某种可以从中提取信号的逻辑结构。

这难道不是另一种无监督学习的形式吗?确实如此，但它有一个特殊的微妙之处：由于任务受到监督(例如分类)，但没有发生有效的注释。这个主题是我的最爱，并且迅速成为本文的主题。我不能保证这个会给深度学习带来最好的成就，但它肯定已经带来了一些伟大的创意。

这些任务称为自我监督学习。与“弱注释”不同，“弱注释”意味着具有不同标签、标题或标题的图像，自我监督的任务不考虑注释而是图像本身。如果您想知道可以从没有注释的图像中学到什么，请继续关注。

不用多说，让我们来看看自我监督领域的一些想法：

彩色化

也许图像中最直观的信号就是它的颜色。当大多数计算机化颜色表示有3个通道时，1或2可以无缝地用作注释。

由于着色旧图像是一项有趣的任务，因此有许多工作可以解决它。但是，如果我们考虑全自动着色(它符合自我监督的标准)，那么数字会减少相当多。

在这种情况下的着色任务形成为“交叉信道编码器”，这意味着图像中的一个(或一些)信道用于编码其他信道。这个概念将在后面的文章中进一步讨论。

最引人注目的着色纸是由Richard Zhang和Alexei Efros设计的。

寻址着色任务的常用方法不是使用标准RGB编码，而是使用Lab颜色空间。在Lab色彩空间中，L代表亮度(B&W强度)，用于预测ab通道(a - 绿色到红色，b - 蓝色到黄色)。

实验室编码着色

正如我们将在我们讨论的所有任务中看到的那样，自我监督学习并不像我们在深度学习中习惯的那样简单。有些工件会中断模型实现其设计目标。此外，有时如果不仔细检查训练，模型会制作“捷径”，这将阻碍其推广到其他任务。

以下是着色任务的一些挑战：

1.着色中的固有歧义：很明显，对于某些图像，存在多于一种合理的着色。此问题在训练和评估中会导致多个问题：

在下面的唐纳德特朗普图像中，窗帘的颜色可以是红色或蓝色(以及许多其他)。唐纳德的领带可以匹配(或不匹配)。给定数据集中关系和窗帘的不同示例，模型将倾向于对它们进行平均，将这些项目着色为灰色。

解决方案：在张的文章中，研究人员将着色视为分类问题，而不是回归。除了使用特殊的损失函数，他们的模型预测概率分布层而不是图像的实际颜色，然后将这些概率转换为颜色- 在Lab空间中的313种可用颜色中：

2.偏见：实验室不是一个均匀分布的空间。由于云层、路面等的高频率，大多数解决方案都趋向于较低的数值。

解决方案：发生损失函数的重新加权以解决此问题。

3.评估问题：现在模型可以预测正确的不同答案，例如，如果基础事实为蓝色且模型将选择红色，则在标准评估中将被视为错误。

解决方案：使用不同的评估方法，其中包括：人类后期分类- “着色图灵测试”，人们被要求在真实图像和机器着色图像之间进行分析。另外，将图像馈送到图像分类器中，将结果与真实图像进行比较。

该模型在Colorization Turing测试中得分为35%，这不是那么糟糕。

在这张图片中，机器着色的狗看起来比原来的更真实

在最近的另一篇论文中，Larson等人同时与Zhang和Efros合作(两篇论文互相提及)，并使用空间局部化的多层切片(超列)和回归损失。他们试图通过预测颜色直方图并从中抽样来克服模糊性问题：

除了使用LAB空间之外，这项工作还尝试预测Hue / Chroma属性，这与“HSV”颜色空间有关。

上下文

除了颜色预测之外，下一个最明显(但也很有创意)的任务是学习图像结构。更确切地说，试图预测图像作物的某些内容。

这个任务的灵感直接来自word2vec，也许我们可以把它称为图像的“skip gram”。

但是，在文本中，单词的数量仅限于词汇量的大小，并且可能不会超过100万。虽然一个一个的像素完成图像补丁时，它存在于更大的空间中。您可能会说GAN确实如此，但是：

实际上确实存在大量正确的解决方案，因此很难进行推广。

我们将在接下来的部分会讨论GAN。

在这种范式中，实际任务并不是自然而然地出现的：研究人员必须为模型想出“游戏”才能解决。比如通过一些突出的例子：

拼接上下文

填补后的补丁似乎并不能很好地概括，因此研究转向了类似拼图的任务。第一个是Doersch和Efros的作品：补丁是从图像中裁剪出来的，并且训练模型来对它们的关系进行了分类。用一个例子来简单的解释它：

就像着色一样，任务并不简单。具体来说，模型正在寻找一个“快捷方式”：它并没有实际学习高级特征及其关系，而是可能学习某些低级特征，例如边缘和光照关系。这往往暗示了图像部分。

为了解决这个问题，研究人员在贴片上应用了一些抖动(如图所示)

研究人员遭受的另一个问题是模型通过一些照明伪像-色差来模拟预测斑点的位置。这意味着在某些相机中，颜色的分布在图像的不同部分中变化。解决方案：这部分由一些颜色转换处理，特别是将绿色和洋红色转成灰色。

下一个突出的结果是Noroozi和Favaro的这篇论文，一路走来，使用了一个更难的问题，解决了完整的9部分拼图，但得到了更好的结果：

研究人员应用了对补丁进行良好改组的验证，并对每张图像进行了多次洗牌。

上下文编码器

如上所述，文本中的word2vec填写了缺失的单词。 在愿景中是否有这样的尝试?事实上，有。在本文中，Pathak等人(当然还有Efros)尝试了一些自动编码器模型来填充图像上的裁剪空间。

结果表明它实际上是可能的，特别是增加了对抗性损失，成功地避免了处理多种模式(如前所述)，从而防止了模糊的“平均”结果。

旋转

在我们跳到下一级的东西之前，我想提一下这个花絮：旋转预测。本文接着采用了预测图像旋转的创新方法。

旋转预测除了具有创造性之外，相对较快，并且不需要像我们之前看到的其他任务那样进行任何预先考虑，以克服对琐碎特征的学习。

论文还探讨了一些“注意地图”，这些图显示了他们的网络侧重于图像的重要部分：头部、眼睛等。

虽然报告了关于迁移学习到ImageNet分类的最新技术成果(大多数其他工作与pascal相关)，但是评论者在论文中发现了一些缺陷，因此必须采取一些措施。

泛化

那么我们做了这么多工作之后，我们从中获得了什么?当然，给黑白图像上色很好，而解决拼图可能是一个有趣的演示应用程序，但更大的目标是在主要任务中实现更好的结果- 尤其是分类、检测和分割。

最常见的基准是VOC Pascal数据集，当使用imagenet预训练时，其技术现状是：

目前的结果是：

检测结果

好吧，似乎我们还没有达到那一步。虽然自我监督的数据实际上是无限的，但尚未开展挑战“经典”的基于Imagenet的迁移学习结果的工作。我们将在后面的帖子中讨论具体任务的一些不错的结果。

除了对上述任务的标准概括之外，研究人员利用这组任务的特定功能来尝试和推广其他一些任务，例如图像聚类(最近邻、可视化数据挖掘等)

总结

下一个重要步骤将来自自我监督学习吗?也许是，或许不是，但我相信，探索这些不同的方法可以显著改善深度学习领域，并可能间接地积极影响真正的突破。在下一篇文章中，我们将学习更多的想法和方法，从而产生一些有趣和新颖的结果。