Lseg

在clip后面加一个分割head，然后用分割数据集有监督训练。textencoder使用clip，frozen住。

group ViT

与Lseg不同，借鉴了clip做了真正的无监督学习。
具体的通过group block来做的。使用学习的N个group token（可以理解为聚类中心数量）与图像做attention。分别加入两次。一个为64个，一次为8个（粗聚类->精聚类），最后pooling后与文本做对比学习。
结果发现分割已经做的很好了。分类结果还差一些。

ViLD

clip+目标检测
对N个proposal与text（open 类别）分别提特征，然后计算相似度。
然后额外增加一个分支，对M个proposal的图片（N里面取topM）使用clip的Image encoder提特征，与目标检测的图片特征做知识蒸馏。

Glip

统一了检测和grounding（类似VQA），又使用了伪标签，引入了非常多的图像文本对，用于预训练，效果非常好。
具体做法和clip很像，文本分支，和图像分支算距离，然后求alignment loss（相当于分类分支），再加一个定位loss。
然后加入了一个文本图像的融合模块（使用cross-attention），整个框架和ViLD-text很像。