整理正样本对中感兴趣区域定位

1、Contrastive crop-无需额外的使用目标检测模块（需要使用网络进行预训练）主要代码在/datasets/transforms/ContrastiveCrop.py

（1）直接对跨通道维度的最后一个卷积层的特征进行求和得到的热图

（2）将 α < 1 设置为 U 形分布（即，靠近中心的概率较低，而在其他位置的概率较大）。 这样，农作物更容易分散到可作业区域的边界线附近，并且可以很大程度上避免重叠的情况。

本质上它一开始是随机裁剪，通过不断得到热图，对裁剪框进行修正。

1. 孪生网络框架能够捕获对象的位置，可以用来指导生成更好的作物；

2）热图可以粗略地指示物体，但可能需要在早期阶段进行一些热身。

2、CASTing-使用生成无监督的显著图（saliency maps）

具体实现方法是DeepUSPS（NIPS 2019）论文，这个方法的主要思路就是，通过不同的手工方法对训练图像进行处理以生成粗略的伪标签。 在第二步中，我们称之为图像间一致性，从训练图像和粗略伪标签中学习深度网络以生成一致的标签输出，如图 2 所示。在下一步中，标签输出 通过我们的自我监督技术以迭代的方式进一步完善。 最后，融合来自不同手工方法的细化标签，用于训练显着性预测网络。

3、使用Bing算法

这是一种传统的特征工程的方法，使用的是BING这样的特征，然后还是在传统的滑动窗口的方法去提取候选框的。