目标检测：Proposal-Contrastive Pretraining for Object Detection from Fewer Data

论文作者：Quentin Bouniot,Romaric Audigier,Angélique Loesch,Amaury Habrard

作者单位：Université Paris-Saclay; Université Jean Monnet Saint-Etienne; Universitaire de France (IUF)

论文链接：http://arxiv.org/abs/2310.16835v1

内容简介：

1）方向：目标检测

2）应用：目标检测

3）背景：在目标检测中，使用预训练的深度神经网络是一种有效的方法，但对于无监督预训练，通常使用大批量数据来进行对比学习，需要大量资源。

4）方法：本文提出 ProSeCo，一种新的无监督预训练方法。该方法利用目标检测器生成的大量目标建议进行对比学习，这允许使用较小的批量大小，并结合目标级特征来学习图像中的局部信息。为了改善对比损失的效果，研究引入了对象位置信息，以考虑多个重叠的目标建议。此外，研究还强调了在重用预训练骨干网络时，需要保持骨干网络和检测头之间的局部信息的一致性。

5）结果：结果表明，ProSeCo方法在标准和新的基准数据集上，比当前领先的无监督目标检测预训练方法表现更出色，尤其是在有限数据的情况下学习方面。