通过自监督学习方法和数据增强，可以获得语义上有意义的图像数据集表示。最近的自监督学习方法$t$-SimCNE在医学图像数据集上产生具有语义上有意义的聚类的2D可视化。增加数据增强的集合以包括任意旋转改善了类别可分性的结果。这些2D表示可用于辅助数据探索和注释，改进常见的数据可视化方法。

本文提出了一个模型无关的头尾协作学习（HTCL）网络，解决长尾分布谓词导致的头偏见预测挑战。通过协作特征表示分支，准确识别头部和尾部谓词，并提出自监督学习方法提高尾部偏好特征表示分支的预测能力。实验证明，该方法在数据集上取得更高的平均召回率，达到新的最新技术水平。