（全球TMT2022年7月5日訊）在近日舉辦的IEEE國際計(jì)算機(jī)與模式識(shí)別會(huì)議CVPR 2022期間，浪潮信息AI團(tuán)隊(duì)提交的論文《CoDo: Contrastive Learning with Downstream Background Invariance for Detection （CoDo：在自監(jiān)督學(xué)習(xí)中引入下游數(shù)據(jù)的背景不變性）》成功入選。論文提出了一種新的自監(jiān)督學(xué)習(xí)框架，在自監(jiān)督學(xué)習(xí)的預(yù)訓(xùn)練過程兼顧下游數(shù)據(jù)的背景不變性，以提升自監(jiān)督學(xué)習(xí)在下游目標(biāo)檢測任務(wù)的性能，并通過初步實(shí)驗(yàn)證明了方法的有效性。CVPR是計(jì)算機(jī)視覺領(lǐng)域三大世界頂級(jí)會(huì)議之一。

浪潮信息AI團(tuán)隊(duì)提出的自監(jiān)督學(xué)習(xí)框架CoDo，在預(yù)訓(xùn)練中引入上下游任務(wù)數(shù)據(jù)集充當(dāng)背景，預(yù)訓(xùn)練圖像的推薦框粘貼到背景圖像上，邊框經(jīng)過比例變換及擾動(dòng)后，作為增強(qiáng)樣本參與對(duì)比學(xué)習(xí)。由于背景為上下游數(shù)據(jù)集，模型實(shí)際上獲得了前景目標(biāo)的背景不變性能力。這意味著無論背景如何變化，模型都能夠準(zhǔn)確定位前景目標(biāo)，這對(duì)于目標(biāo)檢測類人工智能任務(wù)尤為重要。論文采用CPJ數(shù)據(jù)增強(qiáng)方法、目標(biāo)檢測結(jié)構(gòu)對(duì)齊及層次對(duì)比學(xué)習(xí)構(gòu)建，并通過初步實(shí)驗(yàn)證明了方法的有效性。