对比学习(Contrastive Learning) (2)
《Supervised Contrastive Learning》该工作将原来自监督学习(self-supervised)的对比学习思想扩展到全监督学习(full-supervised)，相比于上一篇SimCLR，SupCon在数据增强，encoder，投影网络的设计上没什么区别，在正样本与负样本的定义上稍有不同：在一个batch中，对于每一个选择的锚样本，与其属于同一类的都认为是正样本，不属于同一类的都认为是负样本。监督学习的损失函数Loutsup=∑i∈ILout,isup=∑i∈I−1∣P
