Samonadgledano učenje pomoću pseudo-zadatka rotacije na posebno dizajniranoj arhitekturi duboke neuronske mreže
Za obučavanje dubokih neuronskih mreža i postizanje dobrih performansi u slučajevima učenja vizuelnih karakteristika iz slika ili videa za aplikacije u računarskoj viziji neophodne su velike količine označenih podataka. Da bi se izbegao trošak sakupljanja i označavanja velikih skupova podataka, kao podskup metoda nenadgledanog učenja, ističu se metode samonadgledanog učenja za rešavanje ovog problema. One uspevaju da nauče opšte vizuelne karakteristike slika i videa iz neoznačenih skupova podataka. U radu je implementirana konvoluciona neuronska mreža koja ima pseudo-zadatak da prepozna koja geometrijska transformacija je primenjena za sliku sa ulaza, to jest da prepozna pod kojim uglom je slika rotirana. Nakon obuke tehnikama transfera znanja na malom podskupu označenih podataka mreža je obučavana za zadatak klasifikacije slika. Na referentnom skupu podataka, STL10, postignuta je tačnost od 76% na ciljnom zadatku klasifikacije slika.