所有模型和部分基准测试如下。
备注：
-
训练细节记录在配置文件名中。
-
可以点击算法名获得更加全面的信息。
在下列表格中，我们只展示了基于 ImageNet 数据集的线性评估，COCO17 数据集的目标检测和实例分割以及 PASCAL VOC12 Aug 数据集的语义分割任务，您可以点击预训练模型表格中的算法名查看更多基准测试结果。
如果没有特殊说明，下列实验采用 MoCo 的设置，或者采用的训练设置写在备注中。
| 算法 | 配置文件 | 备注 | Top-1 (%) |
|---|---|---|---|
| MAE | mae_vit-base-p16_8xb512-coslr-400e_in1k | 83.1 | |
| SimMIM | simmim_swin-base_16xb128-coslr-100e_in1k-192 | 82.9 | |
| CAE | cae_vit-base-p16_8xb256-fp16-coslr-300e_in1k | 83.2 | |
| MaskFeat | maskfeat_vit-base-p16_8xb256-fp16-coslr-300e_in1k | 83.5 |
在 COCO17 数据集的目标检测和实例分割任务中，我们选用 MoCo 的评估设置，基于 Mask-RCNN FPN 网络架构，下列结果通过同样的 配置文件 训练得到。
| 算法 | 配置文件 | mAP (Box) | mAP (Mask) |
|---|---|---|---|
| Relative Location | relative-loc_resnet50_8xb64-steplr-70e_in1k | 37.5 | 33.7 |
| Rotation Prediction | rotation-pred_resnet50_8xb16-steplr-70e_in1k | 37.9 | 34.2 |
| NPID | npid_resnet50_8xb32-steplr-200e_in1k | 38.5 | 34.6 |
| SimCLR | simclr_resnet50_8xb32-coslr-200e_in1k | 38.7 | 34.9 |
| MoCo v2 | mocov2_resnet50_8xb32-coslr-200e_in1k | 40.2 | 36.1 |
| BYOL | byol_resnet50_8xb32-accum16-coslr-200e_in1k | 40.9 | 36.8 |
| SwAV | swav_resnet50_8xb32-mcrop-2-6-coslr-200e_in1k-224-96 | 40.2 | 36.3 |
| SimSiam | simsiam_resnet50_8xb32-coslr-100e_in1k | 38.6 | 34.6 |
| simsiam_resnet50_8xb32-coslr-200e_in1k | 38.8 | 34.9 |
在 Pascal VOC12 Aug 语义分割任务中，我们选用 MMSeg 的评估设置, 基于 FCN 网络架构, 下列结果通过同样的 配置文件 训练得到。
| 算法 | 配置文件 | mIOU |
|---|---|---|
| Relative Location | relative-loc_resnet50_8xb64-steplr-70e_in1k | 63.49 |
| Rotation Prediction | rotation-pred_resnet50_8xb16-steplr-70e_in1k | 64.31 |
| NPID | npid_resnet50_8xb32-steplr-200e_in1k | 65.45 |
| SimCLR | simclr_resnet50_8xb32-coslr-200e_in1k | 64.03 |
| MoCo v2 | mocov2_resnet50_8xb32-coslr-200e_in1k | 67.55 |
| BYOL | byol_resnet50_8xb32-accum16-coslr-200e_in1k | 67.16 |
| SwAV | swav_resnet50_8xb32-mcrop-2-6-coslr-200e_in1k-224-96 | 63.73 |
| DenseCL | densecl_resnet50_8xb32-coslr-200e_in1k | 69.47 |
| SimSiam | simsiam_resnet50_8xb32-coslr-100e_in1k | 48.35 |
| simsiam_resnet50_8xb32-coslr-200e_in1k | 46.27 |