摘要： 为提升目标检测网络在更多遮挡场景下的适应性和检测效果，提出了一种自监督掩码图像建模方法，该方法将训练分为 2 个阶段：预训练阶段和微调阶段。在预训练阶段，采用局部掩码和重建的代理任务对无标签图像进行训练。在微调阶段，针对被遮挡目标尺度变化和不同大小目标的检测问题，提出了基于视觉Transformer（vision transformer，ViT）的金字塔结构。通过在CrowdHuman和CityPersons数据集上进行对比分析，自监督掩码图像建模方l法在检测被遮挡目标方面优于其他方法。

关键词: 目标检测；自监督；局部掩码图像建模；视觉 Transformer

中图分类号: 

• TP391.4