主要观点：视觉跟踪系统在诸多应用中很重要，但依赖大量标注数据集训练存在致命弱点，本文介绍自监督学习（SSL）及如何利用未标注数据训练模型。
关键信息：

• 视觉跟踪需识别并跟踪视频中对象，传统方法依赖大量标注数据，存在成本高、可扩展性问题和适用性有限等问题。

• 介绍了 AMDIM、SimCLR、BYOL、SwAV、CPC 等 SSL 技术及它们的工作原理和解决问题的方式：

  • AMDIM 通过增强 DIM 技术，利用局部和全局互信息最大化，处理各种变换，提升特征提取能力。
  • SimCLR 简化 SSL，使用大批次和消除特殊架构需求，通过数据增强、特征提取和投影头处理来学习特征。
  • BYOL 采用双网络架构，在线网络预测目标网络表示，避免依赖负样本，简化学习过程。
  • SwAV 使用聚类策略，消除直接特征比较，通过多裁剪和交换预测来学习稳健特征表示。
  • CPC 聚焦预测未来观察，将生成模型问题转化为分类任务，利用顺序数据结构。

  重要细节：

• AMDIM 工作流程包括数据增强、特征提取和互信息最大化，实验中在动态环境下提升了对象跟踪一致性准确性。
• SimCLR 数据增强产生相关视图，通过 ResNet 编码器和投影头处理，对比损失优化，在跟踪准确性上有 12%提升。
• BYOL 利用双网络架构、数据增强和预测更新机制，在 ImageNet 基准上达到 74.3%准确率，超其他自监督方法 1.3%。
• SwAV 采用聚类方法和多裁剪策略，在处理不同尺度和视角对象跟踪时增强适应性。
• CPC 应用数据增强、特征提取和对比损失，在预测未来观察和跟踪对象方面表现良好。
• 整合 SSL 技术可降低成本、增强可扩展性和提高准确性，SSL 技术正 revolutionizing 视觉跟踪系统。

参考文献：列出了相关研究论文的详细信息。