我们提出了一种自我监督学习框架，名为LC-MAE，能够利用全局上下文理解视觉表示，提高准确率。在ImageNet-1K上，LC-MAE实现了84.2%的top-1准确率，比基准模型提高了0.6%。在下游任务中也取得了显著性能提升。

我们提出了一种自我监督学习框架，称为LC-MAE，能够利用全局上下文理解视觉表示，减少输入的空间冗余。LC-MAE在ImageNet-1K上使用ViT-B实现了84.2%的top-1准确率，比基准模型提高了0.6%。在语义分割和细粒度视觉分类任务中表现出色，并在鲁棒性评估指标上取得了优异结果。

研究人员对使用雷达感知能力解决自主车辆感知问题感兴趣。他们提出了自我监督学习框架，利用无标签雷达数据预训练雷达嵌入，通过雷达对雷达和雷达对视觉的对比损失学习通用表示。该框架在目标检测任务中提高了5.8%的mAP准确度。