IC693MDL646 需要干净的标记数据，这对于许多应用程序来说很难获得。 注释大量数据需要大量的人力劳动，这是耗时且昂贵的。此外，数据分布在现实直在变化，这意味着模型不断地根据不断变化的数据进行训练。自监督方法通过使用大量原始未标记数据来训练模型来解决其中的一些挑战。在这种情况下，监督是由数据本身(不是人工注释)提供的，目标是完成一个间接任务。间接任务通常是启发式的(例如，旋转预测)，其中输入和输出都来自未标记的数据。定义间接任务的目标是使模型能够学习相关特征，这些特征稍后可用于下游任务(通常有一些注释可用)。 自监督学习是一种数据学习范式。 监督学习方法教会模型擅长特定任务。另一方面，自监督学习允许学习不专门用于解决特定任务的一般表示，而是为各种下游任务封装更丰富的统计数据。在所有自监督方法中，使用对比学习进一步提高了提取特征的质量。自监督学习的数据效率特性使其有利于迁移学习应用。 目前的自监督学习领域可大致分为两个分支。
IC693MDL646个是用于解决特定任务的自监督学习，例如上次讨论的场景去遮挡，以及自监督的深度估计、光流估计、图像关联点匹配等。另一个分支则用于表征学习。有监督的表征学习，一个典型的例子是ImageNet分类。而无监督的表征学习中，主要的方法则是自监督学习。 自监督学习方法依赖于数据的空间和语义结构，对于图像，空间结构学习是极其重要的，因此在计算机视觉领域中的应用广泛。 一种是将旋转、拼接和着色在内的不同技术被用作从图像中学习表征的前置任务。对于着色，将灰度照片作为输入并生成照片的彩色版本。另一种广泛用于计算机视觉自监督学习的方法是放置图像块。一个例子包括 Doersch 等人的论文。在这项工作中，提供了一个大型未标记的图像数据集，并从中提取了随机的图像块对。在初始步骤之后，卷积神经网络预测第二个图像块相对于第一个图像块的位置。还有其他不同的方法用于自监督学习，包括修复和判断分类错误的图像。
IC693MDL646
TASTATUR FOLIE MITSUBISHI MTA-G1 00950B MAC90 MAC-90
SIEMENS 6ES5-930-8MD11 SIMATIC S5 6ES5930-8MD11
MESA MS-31/ADM BEDIENTERMINAL
SIEMENS A861 ISS.D3 G85139-E1720-C861
YASKAWA CIMR-VC4A0038FAA-200 FREQUENZUMRICHTER
VECTRON PMS230-002 POWER SUPPLY
SIEMENS 1 FT5064-0AC71-2-Z or 1FT5064-0AC71-2-Z MOTOR
MOTOR 1 LA5106-6AA10-Z or 1LA5106-6AA10-Z SIEMENS
ALLEN-BRADLEY 1746-OA16 OUTPUT MODULE SLC500
BAUER CFG3-111/D1A4-253 or CFG3-111-D1A4-253 MOTOR
BOSCH CC10.3 or 1070075702-103 KARTE
ALLEN-BRADLEY 1746-IA8 INPUT MODULE SLC500
SIEMENS 1LA3106-4AA20 OR 1 LA3106-4AA20 MOTOR
NEMIC LAMBDA HR-10-24 NETZTEIL HR1024
SIEMENS 6FX1115-0AA02 SINUMERIK BOARD 6FX11150AA02
BAUMÜLLER DSG 45-M DREHSTROMMOTOR
ALLEN-BRADLEY 1746-IA16 INPUT MODULE SLC500
ALPAK BS 5000 PT INDUCTION MOTOR BS5000PT
SEW-EURODRIVE P40DT71D4BG GETRIEBEMOTOR
ALLEN-BRADLEY SLC500 PROCESSOR UNIT 1747-L524
PILZ 17753 PNOZ RELAY
AEG AM 80 FY4 3 ~ MOTOR AM80FY4
ALLEN-BRADLEY SLC500 1746-A4 MIT 1746-P1 POWER SUPPLY
BERGER LAHR D550.50 RS19 DRIVE D550.50 RS19
SIEMENS 6ES7 132-4BD30-0AA0 SIMATIC S7 6ES7132-4BD30
GOULD MODICON AS-B656 MODICON OUTPUT MODULE B656
豫公网安备41010502000017号 
