शोधकर्ताओं ने पूरे चित्रों के बजाय ऑब्जेक्ट-सेंट्रिक प्रतिनिधित्वों को संरेखित करने के लिए LeJEPA फ्रेमवर्क का विस्तार किया, तैयार-सामान SAM प्रस्तावों का उपयोग करके ऑब्जेक्ट मास्क प्रदान करके स्व-सुपरवाइज्ड सीन पार्टिशनिंग की अस्थिरता को दूर किया। विधि में एक इंस्टेंस-अलग करने वाली हानि शामिल है जो प्रदर्शन बढ़ाने के लिए एक दृश्य में अन्य ऑब्जेक्ट्स को नकारात्मक मानती है।
- LeJEPA के वितरण एंटी-कोलाप्स उद्देश्य को वेरिएबल-साइज ऑब्जेक्ट सेट तक विस्तारित करता है।
- प्रशिक्षण के दौरान ऑब्जेक्ट मास्क प्रदान करने के लिए सस्ते, तैयार-सामान SAM प्रस्तावों का उपयोग करता है।
- अन्य ऑब्जेक्ट्स को नकारात्मक मानने के लिए एक इंस्टेंस-अलग करने वाली हानि लागू करता है।
- COCO डेटा के 10-100% पर दो मॉडल स्केल पर इमेज-लेवल LeJEPA से बेहतर प्रदर्शन करता है।
इमेज-लेवल प्रतिपक्ष की तुलना में ऑब्जेक्ट-लेवल LeJEPA ट्रैकिंग (DAVIS), वर्गीकरण (ImageNet-1k), सेगमेंटेशन (ADE20k) और री-आइडेंटिफिकेशन (NAVI) में श्रेष्ठ प्रदर्शन दिखाता है।