论文标题：DetCo: Unsupervised Contrastive Learning for Object Detection 论文链接：https://arxiv.org/abs/2102.04803 代码链接：https://github.com/xieenze/DetCo 作者单位：香港大学 & 华为诺亚 & 武汉大学 表现SOTA！性能优于MoCov2、SwAV等网络，其在分割、姿态估计等任务上也涨点明显！代码即将开源！

无监督对比学习在使用CNN学习图像表示方面取得了巨大的成功。与专注于提高图像分类准确性的最新方法不同，我们提出了一种名为DetCo的新型对比学习方法，该方法可以全面探究全局图像和局部图像块之间的对比，以学习用于目标检测的判别表示。 DetCo有几个吸引人的好处。 （1）通过研究当前自监督方法的弱点进行了精心设计，这些弱点舍弃了用于目标检测的重要表示。 （2）DetCo在全局图像和局部patch之间建立分层的中间对比损失，以改善目标检测，同时保持图像识别的全局表示。理论分析表明，局部patch实际上去除了图像的上下文信息，从而改善了互信息的下限，从而可以更好地进行对比学习。 （3）在PASCAL VOC，COCO和Cityscapes上进行的大量实验表明，DetCo不仅在目标检测方面优于最新技术，而且在分割，姿态估计和3D形状预测方面均优于最新方法，尽管在图像上仍具有竞争力分类。例如，在PASCAL VOC上，DetCo-100ep达到57.4 mAP，与MoCov2-800ep的结果相当。此外，DetCo在Mask RCNN-C4 / FPN / RetinaNet上以1倍的进度持续优于监督方法1.6 / 1.2 / 1.0 AP。

内容中包含的图片若涉及版权问题，请及时与我们联系删除