本文探讨了物体中心表示学习及其在多目标数据集上的应用，评估了无监督模型在分割和属性预测中的表现。研究表明，物体中心表示对下游任务有效，且对分布变化具有韧性。提出了基于语义的跨领域泛化基准，改进了领域泛化算法，提升了性能。同时，介绍了弱监督学习方法和动态物体中心感知网络，增强了模型的泛化能力。