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

通过零样本白天 - 夜晚领域自适应方法，我们在不需要真实低光照数据的情况下，提出了一种增强低光物体检测的方法。我们设计了一个反射率表示学习模块，通过仔细设计的光照不变性增强策略，学习了基于 Retinex 的图像不变性。同时，我们引入了一个互换重组相干步骤，通过进行两次顺序图像重组和引入重组相干损失来改进传统 Retinex 图像分解过程。在 ExDark、DARK FACE 和 CODaN 数据集上进行了大量实验，验证了我们方法的强大低光照普适性。

Dec, 2023

本文探讨了使用合成图像训练最先进的对象检测器，特别是针对对象实例检测。我们在实际环境的图像中将纹理对象模型的 2D 图像叠加在一起，以便在各种位置和比例上进行训练。通过这些实验，我们证明了利用现有的对象模型仓库为新对象训练检测器的新机会。

Feb, 2017

在低光环境中进行准确的物体追踪对于监控和动物行为学应用至关重要。本文研究了这些扭曲对自动物体追踪器的影响，并提出了一种解决方案，通过将去噪和低光增强方法整合到基于变压器的物体追踪系统中，提高追踪性能。实验结果表明，用低光合成数据集训练的提出的追踪器优于原始的 MixFormer 和 Siam R-CNN。

Dec, 2023

提出了域对抗 (Domain Contrast, DC)，一种受对比学习启发的简单而有效的方法，可用于训练域自适应检测器。DC 通过交叉域对比损失实现，保证了检测器的可转移性，并自然地缓解了目标域中的类别不平衡问题。广泛实验表明，DC 显著提高了基线和最先进技术，同时展示了大域分歧的巨大潜力。

Jun, 2020

该研究提出了一种创新的对抗对比学习框架，通过生成实例级对抗样本和优化对比损失，增强了神经网络对抗攻击和常见扭曲的鲁棒性，同时通过对比学习增强了干净样本与对抗样本之间的相似性，从而使得表示具有对抗攻击和常见扭曲的抵抗力。通过改善对抗和实际应用条件下的性能，该方法旨在增强神经网络在安全关键应用中的鲁棒性，如自主车辆在不可预测的天气条件下行驶。我们预计这个框架将有助于提高神经网络在具有挑战性环境中的可靠性，促进其在任务关键场景中的广泛应用。

Nov, 2023

本文提出了一种名为 DiCo 学习方法的算法，通过可学习的物理先验即颜色不变性和利用对比学习将监控场景分为前景和背景，从而实现了对夜间监控场景进行高保真度翻译，同时也贡献了一个名为 NightSuR 的监控数据集。

Jul, 2023

为了增强对外域物体的检测鲁棒性，我们对对比学习进行了实证研究，并提出了加强鲁棒性的策略，包括改变裁剪百分比、添加 IoU 约束、整合显著性的对象先验，并探索了缩短路径的数据增强方法。在多个领域的基础上进行基准测试，整合多种策略，实验结果表明了如何通过选择视图提高对比学习的鲁棒性。

Dec, 2022

提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

Jul, 2019

本文提出了一种基于语言引导对比学习的合成图像检测方法，通过添加文本标签来进行联合文本 - 图像对比学习进行取证特征提取，并将合成图像检测问题制定为一种识别问题。该方法在准确性和 AUC 指标上明显优于同类问题的现有方法。

May, 2023