对比学习是一种从无标签数据中学习表示的方法，近年来在图像和文本数据上取得显著成功。SimCLR框架通过有效的预测任务和可学习的变换提升了自监督学习效果。原型对比学习（PCL）和PAUC方法优化了语义表示，提升了分类性能。此外，研究探讨了损失函数的改进及其对嵌入空间几何结构的影响，提出了正交锚回归损失以增强嵌入的独特性。

该论文介绍了原型对比学习（PCL）这一无监督表示学习方法，通过增加原型作为潜在变量来寻找最大似然估计，提出了一种基于对比学习的通用损失函数ProtoNCE loss。该方法在多个基准测试中的表现优于当前最先进的基于实例对比学习方法，在低资源转移学习方面有显著改进。

该论文介绍了原型对比学习（PCL）这一无监督表示学习方法，通过增加原型作为潜在变量来寻找最大似然估计。提出了一种基于对比学习的通用损失函数ProtoNCE loss，此方法在多个基准测试中表现优于当前最先进的基于实例对比学习方法。

本研究提出了一种解决人员再识别中相机偏差和跨相机内外不变性设计的方法，通过构建样式一致的环境和原型对比学习来实现。该方法在多个基准测试中得到了验证。

本研究旨在通过使用原型对比学习（PCL）损失直接微调CLIP的图像编码器，将大规模预先训练的视觉语言模型适应各种监督设置下物体再识别的表现提升。实验结果证明了该方法在人物和车辆Re-ID数据集上具有竞争力，并在无监督场景中达到了最新的表现。

该论文介绍了一种无监督表示学习方法——原型对比学习（PCL），能够编码数据的语义结构到学习的嵌入空间中。该方法通过增加原型作为潜在变量来寻找最大似然估计，并提出了一种基于对比学习的通用损失函数 ProtoNCE loss。该方法在多个基准测试中表现优于当前最先进的基于实例对比学习方法，在低资源转移学习方面有显著的改进。