脸书与法国国家信息与自动化研究所（Inria）合作，开发了一种称为DINO的人工智能算法，使用无监督式方法来训练Vision Transformers (ViT)，也就是说，这个新模型将可以在没有监督且没有目标分割物体的情况，从视频或是图像中发现和分割出物体。
分割物体有助于简化任务，像是要置换视频通话的背景，或是训练机器人在环境中正确的导航，都会用到该项技术，研究人员提到，过去分割物体被视为计算机视觉中困难的挑战之一，因为要求人工智能必需要真正了解图像内容。
过去分割物体都要采监督式学习，并使用庞大带有注解的训练资料，像是需要使用带有狗标签的图片，来教人工智能模型识别狗。而研究人员现在所发布的DINO，证明只需要自我监督和合适的架构，就能够精确地分割物体，通过结合Transformers以及自我监督式学习，DINO已能够深度理解图像和视频。
Transformers被大量应用在自然语言处理上，而在过去一年更有许多开创性的发展，像是Transformers已经被用于图像分类和侦测物体等计算机视觉应用，而研究人员提到，使用大量非监督资料来预训练基于Transformer的图像表达，在这个研究领域带来了新的进展。用DINO算法训练ViT，研究人员观察到模型会自动学习可解释的表达，并将主要物体和杂乱背景分开，还学会在没有任何人为注解下分割物体。
另外，虽然高性能计算在计算机视觉应用中是重要的部分，但是高效率算法也非常重要，让开发人员可以不需使用大规模计算资源，就能够训练模型，在公开DINO的同时，研究人员也分享了有关新模型训练方法PAWS，该方法能使用较少的计算量获得良好的结果。
研究人员表示，使用PAWS来训练标准ResNet-50模型，只要使用ImageNet中百分之一的标签，就可以获得绝佳的准确性，且预训练步骤能比过去的方法减少10倍。人工智能研究团队可以利用DINO和PAWS来构建最新的计算机视觉系统，而这些系统可以大幅降低对标签资料以及大量计算资源的依赖。