本文旨在提出一个轻量化的模型，在减少模型参数量的同时，保持一定的精度,实验表明，该模型在Pascal VOC数据集上的计算成本不到YOLOv7的一半，仅损失约3% mAP@0.5，在MS COCO数据集上的损失为9.7% mAP@0.5，与GhostNet相比提高了0.95。

SimSiam 的核心方法在于通过停止梯度操作和预测器的引入，简化了无监督学习中的训练机制，使得模型在没有负样本和动量编码器的情况下，依然能够有效学习到有用的表示。SimSiam 在ImageNet线性评估任务中表现出了有竞争力的性能。经过 100 轮、200 轮和 800 轮的预训练，其准确率分别为68.1%70.0%和71.3%，达到了较好的表现，尤其是在没有使用负样本和动量编码器的情况下。