spring|机器学习中的无监督学习应用在哪些领域呢?自动驾驶?医疗影像?卷积神经网络?( 五 )


其中 , 分别表示query encoder和key momentum encoder的参数 , , 表示动量参数以调节更新速率 。 这样的方法一方面可以避免key encoder在训练时因需要计算梯度使字典大小被限制 , 也可以避免memory bank方法中的键值低一致性问题 , 保障了训练的稳定性 。
值得一提的是 , 在实验过程中发现传统的batch normalization方法可能造成样本信息的泄露 , 让数据样本意外地“看到了”其他样本 。 会使模型在自监督任务中更倾向于选择一个合适的batch normalization参数 , 而不是学习一个比较好的特征表示 。
二. SimCLR
SimCLR 是一个非常简洁的自监督学习框架 。 没有建立类似MoCo的键值字典的方式 , 而是直接在每个batch中的样本之间进行比较学习 。 对于个输入数据 , 先使用两种不同的数据增强方法产生