本文研究基于类激活映射（CAM）的弱监督物体定位方法中偏置激活的问题，分析了其原因，基于此设计了一个新的 Counterfactual Co-occurring Learning（CCL）范例，并将 Counterfactual-CAM 集成进了模型中，通过合理设计网络结构，成功地减少了干扰信息的影响，并在多个基准测试中实现了精确的物体定位。

May, 2023

本文将需要自我学习来改进现有模型的数据集偏差性进行了深入研究，并成功地在不同类型数据集上改善了模型，同时介绍了一种具有多尺度裁剪、强数据增强和近邻策略的改进自监督学习方法，并通过 MoCo 模型在语义分割和视频实例分割任务中实现了优秀的效果。

Jun, 2021

通过数据驱动的前景显著性估计和复制粘贴来生成图像视图，实现对背景不变性的学习，从而训练代表性忽略背景内容并专注于前景的对比学习模型，并实现了在 ImageNet 分类和 PASCAL VOC、MSCOCO 目标检测上的显著性能提升。

Apr, 2020

该研究提出了使用无标签图像数据进行不需要图像级监督的类无关激活图生成的对比学习方法（Contrastive learning for Class-agnostic Activation Map），得到了更完整的物体区域，并应用于弱监督目标定位和语义分割中。

Mar, 2022

通过量化实验，我们发现了自监督学习方法的增益来源及其局限性，并且提出了一种利用非结构化视频学习表示以实现更高视点不变性的方法。

Jul, 2020

我们提出了一种通过无监督 / 自监督学习训练单阶段目标检测器的创新方法，该方法有潜力彻底改变标注过程，大大减少人工标注所需的时间和成本，并为之前难以实现的研究机会铺平了道路。与现有的主要针对分类任务的无监督学习方法不同，我们的方法承担了目标检测的独特挑战，开创了 intra-image 对比学习与 inter-image 对应的概念，能够获取目标检测所需的重要位置信息。该方法熟练地学习和表示这些位置信息，并生成信息丰富的热图。我们的结果展示了 89.2% 的卓越准确率，在计算机视觉领域的无监督目标检测领域突破性地提高了 15 倍，相比随机初始化。

Feb, 2024

通过引入全局、基于集合的对比损失和基于注意力的编码器，将个体目标表示相互对比更改为聚合表示并相互对比，从而在自监督学习中更有效地推动物体中心表示的出现，并在两个合成视频数据集上得到更好的效果。

Nov, 2020

本文研究了利用自监督学习获取对象集中表示的关键方面，并在 CLEVR 数据集上运行了一些实验来验证我们的见解。我们的结果表明，竞争式注意力对象发现对于学习对象集中表示非常重要。对于训练，我们证明了在潜在空间中应用具有匹配性的对比损失，避免了基于像素的重建。但是，该优化目标对假阴性（重复对象）和假阳性（匹配错误）非常敏感。因此，需要仔细考虑数据增强和负样本选择。

Mar, 2022

研究利用对已知物体类别学习到的特征来估算未知类别物体的三维姿态，提出无需 CAD 模型知识的类不可知对象视角估计的对比学习方法，实验结果表明该方法在多个数据集上具有最佳表现，包括使用 CAD 模型作为输入的方法。

May, 2021

该论文提出了一种自监督学习的方法，用于从单目视频中学习物体的表征，并证明其在机器人等实践中具有特殊的用途。

Jun, 2019