在计算机视觉（CV）领域，目前的方法主要依赖大量的标注样本来学习丰富的视觉表征，从而在各项CV任务中取得较好的表现。然而在许多情况下，大规模的人工标注并不容易获得。因此，我们希望可以利用无监督方法去学习那些不带标注的样本。那么问题来了，一个样本没有了标签，我们该设计怎样的目标任务，才能促使网络学习到好的特征表示呢？
首先，我们来听一个隔壁领域的小故事。
在自然语言处理（NLP）领域，上下文信息（context）常常作为特征学习的监督信号。举个栗子，我们学生时代的老朋友——“完形填空”：给定一个很大的语料库，我们要训练一个模型，能够将每个词映射为特征向量，然后根据上下文信息去预测某个被挖掉的词。在特征空间中哪个词和上下文词距离越近，那么要填这个词的可能性越大。这可以看作是把一个无监督问题（找到单词间的相似性度量）转化为了“自监督问题”：学习一个函数，能够表示挖掉的词与他旁边的词的关系。这里的“完形填空”就作为一个pretext task（直译借口任务，或称代理任务）促进模型学习词特征，进而在很多真实任务中起到很大帮助。
于是，这样的思路被带进了CV领域。CV中的自监督学习隆重登场。
下面正式地向大家介绍——“自监督学习”（Self-supervised Learning）
自监督学习，是无监督学习的一种，即无需额外的人工标签，仅利用数据自身的信息作为监督（自己监督自己）。利用来自数据自身的监督信息，设计一个pretext task，训练网络去完成该pretext task，从而促使网络学习到数据特征。
如何检验 pretext task 的有效性，或者说学习到的数据特征是否足够好？
通过迁移学习，将pretext task中学到的特征迁移到downstream task（直译下游任务，或称后续任务）中，包括图像分类、检测、分割等任务，类似于提供了预训练模型。如果能促进这些 downstream task 中取得很好的表现，则说明学习到的特征是好的。
说到这里，想必大家可以发现，自监督学习中最重要的一环，就是如何设计一个pretext task，让模型可以学到更好的数据特征。接下来，带大家看看各种脑洞大开的pretext task。
[1] 相对位置预测：预测一张图像中随机选择的两个图像块之间的相对位置。
[2] 图像修复：预测一张图像中被遮挡的部分。
[3] 拼图游戏：将图像中打乱的9个图像块复原。
[4] 旋转角度预测：预测图像中物体的旋转角度。
[5] 图像着色：Lab图像中利用L亮度通道，预测ab色彩通道。
[6] 跨通道预测：L通道和ab通道相互预测。
[7] 计数：预测鼻子、眼睛、爪子、头的数量。
[8] 实例区分：分类，一张图像和其增强的图像为一类，和其他图像为不同类。
[9] 对比预测编码：根据“过去的”信息，预测“未来的”信息。
欲知后事如何，且待明天继续更...
