BriefGPT - AI 论文速递
·
少量数据目标检测的对比预训练建议
原文中文，约500字，阅读约需2分钟。
📝
内容提要
该文介绍了一种新型无监督整体预训练方法ProSeCo，利用基于Transformer的物体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。该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。
🎯
关键要点
-
提出了一种新型无监督整体预训练方法ProSeCo。
-
ProSeCo利用基于Transformer的物体检测器生成的大量目标提案进行对比学习。
-
该方法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。
-
在使用较少数据进行物体检测的无监督预训练中，ProSeCo优于现有方法。
-
在标准和新颖的基准测试中，ProSeCo表现出色。
-
引入物体位置信息以改善对比损失的有效性，考虑多个重叠的目标提案。
-
主张在骨干网络和检测头之间一致学习局部信息。
🏷️
