Abstract
本文提出Momentum Contrast（MoCo）用于无监督视觉表征学习。从contrastive learning的角度，通过一个队列和移动平均的encoder构建动态词典。在线构建一个大的且一致性词典，灵活适配于contrastive unsupervised learning。
Introduction
无监督表征在NLP领域获得极大成功，例如GPT和BERT。但是，在计算机视觉领域，有监督预训练依然占据主导地位，无监督方法进展缓慢。可以从它们所对应的信号空间进行理解。语言任务采用离散信号空间（词，子词单元等）来构建标记化词典，无监督学习真是基于此。与之相反，计算机视觉的原始信号是连续的高维空间，且不是结构化的。
无监督学习的一个主要目的是预训练表征（如特征），使得具体任务可以通过finetune进行优化。
Related work
Unsupervised/self-supervised learning通常包含两部分：pretext task和loss function。何为pretext任务，指的并不是真实的任务，而是一种好的数据表征。
Method
Contrastive learning as dictionary look-up
Contrastive learning可以认为是为字典查找任务训练一个编码器。
考虑一个query q和字典的key集合{k0,k1,k2,…}。希望字典中有一个
和q匹配。Contrastive loss就是一个函数，使得在q和
匹配且和其它key不相似值时值较小。可以采用点乘形式来表达inforNCE。
下面的累和是一个正例和K个反例。
Momentum contrast
好的特征表示可以通过较大字典学习获得。
本文方案的核心在于将字典维护成一个数据采样队列。从而重复利用中间过程的mini-batches编码的keys。这样字典的大小就不用受限于mini-batch的大小，可以做到远大于。字典中的样本是持续更新的，最近的mini-batch数据入队列，最久远的mini-batch数据出队列。
Momentum update
使用队列可以使字典足够大，但是它也存在不足，不能通过bp来更新编码器（梯度将传递给队列中的所有样本）。一种简单的做法是忽略梯度，将query encoder拷贝给key encoder。这种方案的结果不好。本文推测这是由于编码器更新过快，降低了key表征的一致性。
上图展示了三种方案，展示了三种不同的字典大小和一致性。
End-to-end：采用当前mini-batch数据建立字典，确保了key编码的一致性。字典的大小受制于mini-batch的大小，受制于GPU显存大小。
Memory bank：一个memory bank中包含数据库中所有样本的特征。每个mini-batch的字典从memory bank中随机采样，无梯度传递，可以支持较大尺寸字典。但是，memory bank中的样本表示，采样key的一致性较弱。