【UC伯克利】自监督视觉表示学习，356页ppt，Self-Supervised Visual Learning

通过使用用大规模标记数据训练的深度学习模型，计算机视觉取得了令人印象深刻的进展。然而，标签需要专业知识和管理，而且收集起来很贵。如果不使用显式管理的标签，人们能发现有用的视觉表示吗?在这次演讲中，我将介绍几个探索自我监督学习范式的案例研究——将原始数据作为自己的监督。我们将讨论在高维空间中定义目标函数的几种方法，包括使用一般对抗网络(GANs)直接从数据中学习目标函数。将展示图像合成中的应用，包括自动着色、成对和非成对图像到图像的转换(aka pix2pix和cycleGAN)、基于好奇心的探索

视频：

Alexei A. Efros是加州大学伯克利分校EECS系的教授，是伯克利人工智能研究实验室(BAIR)的一员。在此之前，他在CMU的机器人研究所工作了九年。他在可爱的牛津大学和Andrew Zisserman一起做博士后的经历。从2007年开始，他一直与美丽的巴黎高等师范学院/ INRIA的WILLOW团队密切合作。

http://people.eecs.berkeley.edu/~efros/

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“SSVL” 可以获取《【UC伯克利】自监督视觉表示学习，356页ppt，Self-Supervised Visual Learning》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源