【笔记】 SCL （Supervised Contrastive Learning）论文分析：“监督对比学习“，相比”自监督对比学习“，从“同源” vs “非同源”，扩展为“同类” vs “非同类”_self-supervised contrastive representation learnin

引用1：

Feature学习，是各类深度学习模型的一个基础、重要的功能。好的feature，将有助于视觉任务性能的提升。本文主要介绍一种有助于提升feature质量的“对比学习“方法，该方式有别于之前的“自监督对比学习”，是一种“有监督对比学习”。文章地址：

Supervised Contrastive Learning​arxiv.org/pdf/2004.11362.pdf

“有监督对比学习“，可以看作是”自监督对比学习“的一种改进。因此，对本文将首先对“自监督对比学习”进行介绍，然后再对“有监督对比学习“进行详细介绍。

1. 自监督对比学习（Self Supervised Contrastive Learning）

假设你有如下资源：

• 一个BackBone Network，用来提取图片feature，例如：ResNet-50, ResNet-101或者ResNet-200。
• 一个训练数据集，例如ImageNet

对于一张图片（左上角），来源相同的图片（左侧下方两张augmentation后的图片）的feature，在超球面上的距离很接近，来源不同的图片之间的feature的距离会比较远。但有一张与左上角图片属于同一类的图片（上图里面的红框图片），他的feature与左上角图片的feature的距离也会很远。

直觉上，同类图片的feature，应该也是越接近越好。但由于“自监督对比学习”的设定里面不使用图片所属的类别信息，所以无法知道哪些图片属于同一类，因此也无法让同类图片的feature彼此距离接近。

如果能使用图片的类别 label信息，是否能提高以上“自监督对比学习“的feature的质量？

2. 监督对比学习（Supervised Contrastive Learning）

为了让同类图片的feature彼此接近，需要使用类别信息来判断哪些图片属于同一个类，因此，方法的名字从“自监督”变成了“监督”。对比学习的依据，从“是否来源于同一张图片“，变成了”是否属于同一个类“。训练使用的loss函数变为：

从上图可以看出，同类别的图片的feature，在超球面上的距离，很近；不同类的图片的feature，距离很远。

3. 总结

1. “监督对比学习“，相比”自监督对比学习“，将对比策略，从“同源” vs “非同源”，扩展为“同类” vs "非同类“。
2. 训练自己的模型时，也可以试试这个supervised contrastive loss。

引用2：

总结

Supervised Contrastive Learning 论文实验非常充分，公式的推导也很扎实。 具体可以看这里 Supervised Contrastive Learning ，是一篇很优秀严谨的论文。给人耳目一新的感觉，但论文中提到的诸多数据增强的方法，我的了解都很有限，后续会再看一些相关的论文。

交叉熵（Cross-Entropy） 交叉熵（Cross-Entropy）_rtygbwwwerr的博客-CSDN博客_cross entropy

Softmax函数与交叉熵 - 杀手XIII的文章 - 知乎 Softmax函数与交叉熵 - 知乎

Self-Supervised Representation Learning Self Supervised Learning