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
本文提出了两种方法，自我监督和节俭学习，并将它们应用于追踪隐蔽对象的任务，实验结果表明，通过自我监督方法可以实现与完全监督的节俭学习相似的性能。
Jun, 2024
本研究提出了一种新的基于深度学习的遥感语义变化检测方法，使用新的注重视觉任务的注意力模块和新的损失函数，实现了优秀的检测性能，达到了行业最高水平。
Sep, 2020
本文提出了一种基于关系 GRU 单元和自适应注意力网络（SAAN）的少样本目标检测器，以检测仅提供了少数样本的新物体，并通过关注对象级别的关系来提高检测准确性。
本研究提出了一种通过区域提议网络和区域分类网络的知识蒸馏来预防灾难性遗忘的方法，以持续或终身学习实时物体检测，实验结果表明该方法具有较高的 mAP 和 6 倍的推理速度提升。
设计了一种新颖的相似性感知注意力流网络（SAAN），通过深度监督相似性优化来明确引导深度编码器层从双时相输入图像中发现语义关系；同时，引入相似性引导的注意力流模块和注意力流机制来引导模型关注具有区分性的通道和区域，达到高效的变化检测和语义一致性维护。
Aug, 2023
该研究论文探讨了在智能相机系统中，如何利用合成图像进行对不同成像条件下目标检测的训练，提出了一种对比学习的方法，并使用持续学习的惩罚机制缓解了重要信息丢失的问题，该方法在夜间目标检测方面表现出色。
Dec, 2021
引入对比检测算法的自监督目标，通过在图像增强中识别物体水平特征提取富有学习信息的信号，实现高效的自监督预训练，拥有多种下游任务的领先转移精度。在 ImageNet 预训练模型表现与大型自监督系统 SEER 相当的同时，需要少至 10 倍的预训练数据量，最终该目标还能轻松应对更复杂的图像。
Mar, 2021
本文提出了一种基于多视角对比损失的自监督无监督远程感知变化检测方法，利用伪孪生网络在大型数据集上进行对比式预训练。实验表明该方法能够显著提高状态最先进的无监督方法的准确性，并使无监督和有监督变化检测之间的差距变小。
提出了一种两阶段机制的方法用于非监督目标显著性预测，第一阶段使用了深度网络逐步提炼由不同手工显著性方法产生的嘈杂伪标签，其结果可用于训练第二阶段的真实显著性检测网络，该自学习过程比现有的所有非监督方法的性能都要好，甚至与完全监督的最先进方法的结果相当。
Sep, 2019