ViLD（Open-Vocabulary Object Detection via Vision and Language Konwledge Distillation）
基于视觉语言（图像文本）知识蒸馏的目标检测CLIP模型当成teacher模型，去蒸馏自己的模型，从而达到zero-shot。模型具有检测新类别的能力。baseline方法是一个MaskR-CNN由两阶段组成，一是生成proposal，然后筛选pospoal，第二步是进过分类头为每个pospoal确定目标类别。目标检测目标函数两部分，一部分是分类损失一部分是边界框回归参数（框定位）。文本来自物体的类