一种用于目标检测的简单半监督学习框架
计算机视觉与模式识别
2020-12-04 v2
摘要
半监督学习(SSL)具有利用无标签数据提升机器学习模型预测性能的潜力。尽管近期取得了显著进展，SSL 的演示范围主要集中于图像分类任务。本文提出 STAC，一种简单而有效的用于视觉目标检测的 SSL 框架，并配以数据增强策略。STAC 从无标签图像中生成定位目标的高置信伪标签，并通过强增强施加一致性来更新模型。我们提出了利用 MS-COCO 评估半监督目标检测性能的实验协议，并展示了 STAC 在 MS-COCO 与 VOC07 上的有效性。在 VOC07 上，STAC 将 AP 从 提升至 ；在 MS-COCO 上，STAC 仅使用 5\% 标签数据即取得 24.38 mAP，而使用 10\% 标签数据的监督基线为 23.86\%，从而展现出 更高的数据效率。代码见 https://github.com/google-research/ssl_detection/。
引用
@article{arxiv.2005.04757,
title = {A Simple Semi-Supervised Learning Framework for Object Detection},
author = {Kihyuk Sohn and Zizhao Zhang and Chun-Liang Li and Han Zhang and Chen-Yu Lee and Tomas Pfister},
journal= {arXiv preprint arXiv:2005.04757},
year = {2020}
}