[CLS 01 · 学习信号、表示与迁移](/course/notebooks/fb4365d604974dd19df492cb22516e44.html)

# 我们已经看到几种训练表示的方法：人工标签、从文本构造目标、图像视图关系、遮挡重建
[独立阅读](/course/notebook-blocks/d206f668feb646b2af65c349f020a9ba.html)
主线阅读与优先实验

标签供给、文本目标接口、视图/队列/MAE图与表示迁移证据

我们已经看到几种训练表示的方法：人工标签、从文本构造目标、图像视图关系、遮挡重建。计算组织使训练可实施，用途检验表示价值。

现在固定一份可用的视觉表示，改变要求：**不只判断画面里有什么，还要找到每个对象的位置与边界。** 历史上的 R-CNN 从有监督分类预训练出发，再用检测数据适配；检测并不以自监督为前提。

接下来追问：哪些计算可以复用，哪些空间信息必须留下，新的输出需要怎样的训练？

**选择一个继续入口：** 到 L03-CLS 02 看同一桌面场景的四种输出；到 L03-LAB 01 / 02 阅读已有真实结果；对无标签学习的前史感兴趣，可打开 LAB 05，看 Lloyd 如何实际拟合 patch 词典。