Самонадгледано учење помоћу псеудо-задатка ротације на посебно дизајнираној архитектури дубоке неуронске мреже
За обучавање дубоких неуронских мрежа и постизање добрих перформанси у случајевима учења визуелних карактеристика из слика или видеа за апликације у рачунарској визији неопходне су велике количине означених података. Да би се избегао трошак сакупљања и означавања великих скупова података, као подскуп метода ненадгледаног учења, истичу се методе самонадгледаног учења за решавање овог проблема. Оне успевају да науче опште визуелне карактеристике слика и видеа из неозначених скупова података. У раду је имплементирана конволуциона неуронска мрежа која има псеудо-задатак да препозна која геометријска трансформација је примењена за слику са улаза, то јест да препозна под којим углом је слика ротирана. Након обуке техникама трансфера знања на малом подскупу означених података мрежа је обучавана за задатак класификације слика. На референтном скупу података, СТЛ10, постигнута је тачност од 76% на циљном задатку класификације слика.