面向半监督目标检测的动态教师
计算机视觉与模式识别
2023-03-16 v1
摘要
本文从数据初始化的角度研究师生学习，提出了一种称为动态教师（Active Teacher，源代码见：\url{https://github.com/HunterJ-Lin/ActiveTeacher}）的新算法，用于半监督目标检测（SSOD）。动态教师将师生框架扩展为迭代版本，其中标签集被部分初始化，并通过评估未标注样本的三个关键因素（包括难度、信息量和多样性）逐步扩充。借助该设计，动态教师能够在最大化有限标签信息效用的同时提升伪标签质量。为验证我们的方法，我们在 MS-COCO 基准上进行了大量实验，并将动态教师与一组近期提出的 SSOD 方法进行比较。实验结果不仅验证了动态教师相较对比方法的优越性能增益，还表明它使基线网络即 Faster-RCNN 能够以少得多的标签开销（即在 MS-COCO 上 40% 的标注样本）达到 100% 有监督性能。更重要的是，我们相信本文中的实验分析能为实际应用中的数据标注提供有用的经验知识。
引用
@article{arxiv.2303.08348,
title = {Active Teacher for Semi-Supervised Object Detection},
author = {Peng Mi and Jianghang Lin and Yiyi Zhou and Yunhang Shen and Gen Luo and Xiaoshuai Sun and Liujuan Cao and Rongrong Fu and Qiang Xu and Rongrong Ji},
journal= {arXiv preprint arXiv:2303.08348},
year = {2023}
}
备注
8 pages, 7 figures, CVPR2022