标题：清华大学|Instance Similarity Learning for Unsupervised Feature Representation（无监督特征表示的实例相似性学习）

推荐理由：在大量的图像分类中实现了与最先进水平

简介：在本文中，我们提出了一种用于无监督特征表示的实例相似度学习（ISL）方法。常规方法在具有高相似度的特征空间，这通常导致大邻域的错误成对关系，因为欧几里德距离无法描述特征流形上的真实语义相似性。相反，我们的方法在无监督的情况下挖掘特征流形，通过这种方式学习实例之间的语义相似性以获得有区别的表示。具体来说，我们使用生成对抗网络 (GAN) 来挖掘底层特征流形，其中将生成的特征用作代理来逐步探索特征流形，以便实例间的语义相似性被认为是可靠的伪监督。