该平台探索了人工智能在小分子

MimJannat909

截至 年 月 日，该方法在 上排名第一，在 上排名第二，在 上排名第一。 数据集上的模型泛化能力与微调性能 研究论文： ：基于 的 物体检测的无监督预训练 现有的无监督点云预训练方法仅限于场景级或点 体素级实例辨别。场景级方法往往会丢失对于识别道路物体至关重要的局部细节，而点 体素级方法本质上受到有限的感受野的影响，无法感知大型物体或上下文环境。考虑到区域级表示更适合 对象检测，本研究设计了一种新的无监督点云预训练框架，称为 ，它通过对比区域提案来学习鲁棒的 表示。

具体来说，通过从每个点云采样的一组详尽的区域提案，对每个 电话号码列表 提案内的几何点关系进行建模，以创建富有表现力的提案表示。为了更好地适应 检测属性， 通过簇间和提议间分离进行优化，即增强跨语义类和对象实例的提议表示的辨别力。 的通用性和可迁移性在各种 检测器（即 、 、 和 ）和数据集（即 、 和 上得到验证。 框架的图示。给定具有不同视图的增强点云，该方法首先对配对区域提案进行采样，然后使用区域提案编码模块提取特征。之后，强制执行提议间区分和簇间分离以优化整个网络。



从 和 学习到的 表示的比较。 该表说明了 上 对象检测方法的数据效率。研究人员在 数据集上预训练 和 的主干，并将其转移到具有不同标签配置的 物体检测中。在每种设置下都获得了一致的改进。所提出的方法优于所有并发自监督学习方法，即 、 、 和 。 百度 还将与熟练教师一起展示其在半监督 物体检测方面的最新进展。该研究提出了一种用于半监督 对象检测的新伪标签框架，通过几个必要的设计将教师模型增强为熟练的模型。该方法将基线显着提高了 ，并且在只有一半注释的基准测试中优于具有完整注释的预言机模型。