对于学得表征的评价与分析
在实验部分 ， 研究者在下游线性分类任务中评估了上述自监督模型的性能 ， 并与基线模型进行了比较 。
下图 3 展示了所有模型在线性分类任务上的 top-1 分类准确率 。 从中可以看出 ， 带有时间分类目标的自监督模型在所有组中表现都很出色 ， 有时甚至会超过基于 ImageNet 训练的强基线模型 。
为了更直观地了解自监督模型的表示能力 ， 研究者还在 4 个更具挑战性的分类任务上进行了测试 ， 结果如下图 4 所示 。 图 4a 显示 ， 自监督 TC-S 模型在所有任务中均取得相对较高的准确率 。
【龙之队|我们用婴儿拍的视频训练了个自监督模型，学到了高级视觉表征】参考链接：

• 拓跋宏啊|韩国人也吃这一套，老祖宗教给我们的
• 科技前沿阵地|涨疯了！海思安防芯片遭哄抬“围剿”
• 蓝色海洋|这座无人小岛遍布三千多万件“致命物品”，我们正在亲手毁掉蓝色海洋……
• 【】申花主帅：打鲁能我们会更冒险
• 华为：中国华为公开表态：视危机如机遇，若干年后的我们会更强大
• 上海市嘉定区人民政府网站|【走向我们的小康生活】日揽300件的“快递一哥”，为了快速送货，他手绘了一张地图
• 央视新闻客户端|我们的战“疫”丨不畏艰险众志成城 抗击疫情守护生命
• 央视网|【我们的战“疫”】不畏艰险众志成城 抗击疫情守护生命
• 台海网|确定参加海峡论坛？王金平：我们走该走的路，不甩陆委会
• 我们的战“疫”丨不畏艰险众志成城 抗击疫情守护生命