DetCo是一种创新的对比学习方法，通过充分探索全局图像和局部图像补丁之间的对比，学习有助于目标检测的判别性表示，实验表明其不仅在目标检测方面优于现有方法，在分割，姿态估计和三维形状预测方面也显著优于监督方法。

Feb, 2021

通过选择性搜索提出边界框，引入物体层次表征，结合FPN等所需模块的预训练神经网络，并配备物体检测属性，该文提出的选择性物体对比学习（SoCo）方法在物体检测领域取得了最先进的转移学习结果。

Jun, 2021

本研究通过引入DETReg，一种新的自监督方法，对整个目标检测网络进行预训练，包括目标定位和嵌入组件，取得了在COCO等低数据环境中许多最先进结果的+6.0 AP改进的成果。

Jun, 2021

本文提出了一种新的自监督学习方法——CoDo。它基于对下游数据集中不同背景的实例建模为主要任务，并通过层次化多视图对比学习来提高视觉表征学习性能，即可用于物体检测任务的强迁移学习.

May, 2022

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

本论文提出了一种通过几何-颜色对比（Point-GCC）对点云进行 3D 场景预训练的通用框架，该框架在几何和颜色信息之间建立联系，并包括分层监督、新型深度聚类模块、体系结构不可知的后端等设计，实现了在各项数据集上的显著效果提升，包括 SUN RGB-D 和 S3DIS 之类的异常检测结果。

May, 2023

使用预训练的深度神经网络在少量可用数据中实现强大结果，针对密集问题如物体检测，学习图像中的局部信息而非全局信息被证明更有效。为了解决这个问题，我们对最近在社区中表现良好且具有生成多样化目标提案特性的基于Transformer的物体检测器感兴趣，在此工作中，我们提出了一种利用该特性的新型无监督整体预训练方法ProSeCo，使用检测器生成的大量目标提案进行对比学习，从而允许使用较小的批量大小，并结合物体级特征学习图像中的局部信息。为了改善对比损失的有效性，在选择正样本时引入物体位置信息以考虑多个重叠的目标提案。当重用预训练的骨干网络时，我们主张在骨干网络和检测头之间一致学习局部信息。我们证明了我们的方法在使用较少数据进行物体检测的无监督预训练中优于现有方法，在标准和新颖的基准测试中表现出色。

Oct, 2023

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

多任务密集预测的研究中，我们通过引入Segment Anything Model (SAM)和基于高斯分布的区域表示，解决了部分标注数据、局部对齐和跨任务关系等挑战，提高了在部分监督多任务密集预测场景中的性能。

Mar, 2024

本研究解决了视觉领域差异对物体检测性能的影响问题，提出了一种新的图像到图像的翻译方法，通过对比学习框架优化物体实例的外观，同时显著减少对昂贵物体注释的依赖。实验结果表明，所提出的方法在多个跨域物体检测设置中表现出最先进的性能，具有重要的研究价值。

Oct, 2024