UniMoCo：无监督、半监督与全监督视觉表征学习

基于摘要分析。本文研究如何在视觉表征学习中同时利用有标签与无标签数据，提出 Unified Momentum Contrast（UniMoCo），将 MoCo 扩展到任意标注比例的训练场景。主要贡献是利用标签队列动态构建多个正样本对，并提出 Unified Contrastive（UniCon）损失，在统一的成对优化视角下处理数量可变的正、负样本。 机制上，相较于摘要所述 MoCo 的单一正样本对，UniMoCo 通过比较查询样本的标签与标签队列来维护多个正样本对。作者认为 UniCon 在理论与实践上优于 supervised contrastive loss，但摘要未给出损失公式、推导条件或具体对照数值；无标签样本如何参与配对、队列更新及混合训练也尚未验证。 作者报告，在使用不同比例 ImageNet 标签预训练后，UniMoCo 在多种下游任务上表现出对无监督、半监督与全监督设置的适用性。作者还报告，在其 COCO 和 VOC 迁移评估中，使用 60% ImageNet 标签预训练时表现最佳。该结果不能直接解释为减少标签普遍有益；具体下游任务、标签抽样方式、指标、基线、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核验。 平台推测（待验证）：其可迁移假设是，标签队列与多正样本优化可能帮助 EEG 表征学习利用有限标注及未标注数据。可复用部分是队列管理与 UniCon 优化思路，需改造 EEG 编码器、信号增强和正样本定义。视觉语义标签的配对逻辑不一定适合 EEG：低信噪比、跨被试差异、通道不一致和小样本可能使队列学习到被试特征，或将同标签但生理分布不同的样本过度拉近。一个小规模检验是固定 EEG 数据划分、编码器、增强与训练预算，在若干标注比例下比较 MoCo、supervised contrastive loss 与 UniMoCo，并分别报告被试内和跨被试结果。已有 EEG 相关工作尚未检索确认。