本文介绍了一种名为LocTex的计算机视觉方法，利用低成本的本地化文本标注和鼠标轨迹，提供粗略的本地化信号，减少标注数据的数量。LocTex学习到的视觉特征可以应用于各种下游视觉任务，并在COCO实例分割上表现出较高的性能。在PASCAL VOC图像分类任务上，LocTex比以前的预训练方法提高了约4%的准确性。