无监督表示学习：_Supervised Representation Learning By Predicting Image Rotations—2018（笔记）_

Unsupervised Representation Learning By Predicting Image Rotations—2018

通过预测图像旋转实现无监督表示学习—2018（笔记）

摘要

文章提出通过训练ConvNets评估输入图像中2D旋转的能力以提取图像特征从质量和数量两个维度进行了验证发现尽管看似简单但这一任务却蕴含着深刻的含义并为语义特征学习提供了极其强大的监督信号

引言

文章基于自监督范例进行研究，在利用自监督学习方法训练卷积神经网络（ConvNets）以识别几何变换后的输入图像的过程中学习其表征特性。首先定义了一组离散几何变换，并将这些变换应用于数据集中每张图片上；随后将这些处理后的输入 fed into 训练并识别每张图片所经历的几何变换特性的 ConvNets 模型中进行学习。

基于无监督学习的方法来推导语义特征具有重要意义；科学地选择相应的几何变换是关键；我们定义了几何变换为：将图像分别旋转0^\circ、90^\circ、180^\circ和$270^\c