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：

       目标检测是计算机视觉和图像处理领域的一个重要任务，其目标是在数字图像或视频中识别并定位出现的特定物体或目标。目标可以是任何事物，如人、车辆、动物、建筑物等，目标检测的目的是识别图像中的不同目标，并准确地标定它们的位置。目标检测通常包括以下步骤：（1）.特征提取：通过图像处理和特征提取算法，从图像中提取用于识别目标的特征。这些特征可以包括边缘、纹理、颜色、形状等信息。（2）.候选区域生成：利用候选区域生成算法，对图像进行分割或者区域提取，以便将可能包含目标的区域提取出来，从而减少后续处理的计算量。（3）.目标分类与识别：将候选区域输入到目标分类器中，利用机器学习、深度学习等技术对目标进行分类与识别。（4）.目标定位：根据目标分类的结果，在图像上框出目标的位置，并给出目标的边界框坐标。

       在本篇文章中，目标检测，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。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。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。