首先了解一下自监督学习与监督学习、非监督学习的关系：
自监督学习（SSL）是指：
从数据本身产生某种形式的标签并训练神经网络，来解决某些特定任务或学习通用的图像、视频、语言的特征表达。
自监督学习属于无监督学习，其典型的pipeline是给出unlabeled data并设计一个CNN architecture，需要设计一个自监督的proxy task，从图像本身中找出标签，再解决这个task。
在这个过程中CNN可以学到很多东西，并可以transfer到一个目标的任务上，其中最重要的是如何设计proxy task。
三种常见的proxy task:
1.现有的proxy task中Image Colorization(图片上色)、Jigsaw Puzzles（乱序拼图）、Image In-painting（抠图补充）这一类的特点就是把图像破坏掉再恢复，其缺陷是可能存在domain差异问题；
2.Rotation Prediction（预测角度）、Instance Discrimination、Counting这一类不需要破坏图像；
3.第三类是利用Motion来学习新的东西，如Motion Prediction（运动预测）、Moving foreground Segmentation、Motion propagation 等。
SSL是如何学习到新的信息：
Image Colorization 利用颜色的prior，利用物体和颜色分布的关联；
In-painting利用了物体类别和其形状纹理的关联；
Rotation Prediction则利用了物体默认朝向和物体类别的关联。
利用Coherence（连贯性），图像具有空间连贯性、视频具有时间、空间连贯性。
利用Structure，例如Contrastive Learning（对比学习）。
方法可以分为 3 类：
1. 基于上下文（Context based）
2. 基于时序（Temporal Based）
3. 基于对比（Contrastive Based）
比较特殊的任务有两种：一种是自监督学习和具体任务紧密结合的方法(Task Related Self-Supervised Learning)（Boosting Few-Shot Visual Learning with Self-Supervision_ICCV2019：https://arxiv.org/pdf/1906.05186.pdf），另一种是自监督和半监督学习进行结合(SL: Self-Supervised Semi-Supervised Learning_ICCV2019：https://arxiv.org/pdf/1905.03670)
1.基于上下文（Context Based）
基于数据本身的上下文信息，我们其实可以构造很多任务，比如在 NLP 领域中最重要的算法 Word2vec 。Word2vec 主要是利用语句的顺序，例如 CBOW 通过前后的词来预测中间的词，而 Skip-Gram 通过中间的词来预测前后的词。
而在图像中，乱序拼图（将图像分割，预测每一部分的相对位置或者预测出这是哪一种打乱方式）、抠图补充（上述例子中提的图像着色、图像旋转等任务都是典型的作为pretext的例子。
2.基于时序（Temporal Based）
之前介绍的方法大多是基于样本自身的信息，比如旋转、色彩、裁剪等。而样本间其实也是具有很多约束关系的，如利用时序约束来进行自监督学习的方法：视频（video）。
第一种思想是基于帧的相似性 Time-Contrastive Networks: Self-Supervised Learning from Video，对于视频中的每一帧，其实存在着特征相似的概念，简单来说我们可以认为视频中的相邻帧特征是相似的，而相隔较远的视频帧是不相似的，通过构建这种相似（position）和不相似（negative）的样本来进行自监督约束。
另外，对于同一个物体的拍摄是可能存在多个视角（multi-view），对于多个视角中的同一帧，可以认为特征是相似的，对于不同帧可以认为是不相似的。
除了基于特征相似性外，视频的先后顺序也是一种自监督信息。比如ECCV 2016, Misra, I. Shuffle and Learn:unsupervised learning using temporal order verification等人提出基于顺序约束的方法，可以从视频中采样出正确的视频序列和不正确的视频序列，构造成正负样本对然后进行训练。简而言之，就是设计一个模型来判断当前的视频序列是否是正确的顺序。
3.基于对比（Contrastive Based）
相关资料：https://ankeshanand.com/blog/2020/01/26/contrative-self-supervised-learning.html
对比约束，它通过学习对两个事物的相似或不相似进行编码来构建表征，这类方法的性能目前来说是非常强的，主要思想是通过构建正样本（positive）和负样本（negative），然后度量正负样本的距离来实现自监督学习。
即样本和正样本之间的距离远远大于样本和负样本之间的距离，可以使用点积的方式构造距离函数，然后构造一个 softmax 分类器，以正确分类正样本和负样本。这应该鼓励相似性度量函数（点积）将较大的值分配给正例，将较小的值分配给负例：
通常这个损失也被称为 InfoNCE，后面的所有工作也基本是围绕这个损失进行的。
