为半监督实例分割提供更好的（伪）标签
计算机视觉与模式识别
2024-03-19 v1
摘要
尽管用于图像分类和图文对齐等任务的大型数据集已经可用，但对于检测和分割等更复杂识别任务的有标签数据则不那么丰富。特别是，实例分割的标注制作非常耗时，且实例在不同类别间的分布通常高度倾斜。虽然半监督师生蒸馏方法在利用大量无标签数据方面展现出潜力，但它们存在校准不当的问题，导致对常见类别过度自信，而对罕见类别则信心不足。此外，这些方法在从有限样本集中高效学习时也遇到困难。我们引入了一种双重策略来增强教师模型的训练过程，显著提升了在少样本学习上的性能。其次，我们提出了一种校准校正机制，使学生模型能够纠正教师模型的校准误差。使用我们的方法，我们在 LVIS 数据集上观察到相较于最先进的有监督基线性能有显著提升，平均精度（AP）提高了 2.8%，罕见类别的 AP 提高了 10.3%。
引用
@article{arxiv.2403.11675,
title = {Better (pseudo-)labels for semi-supervised instance segmentation},
author = {François Porcher and Camille Couprie and Marc Szafraniec and Jakob Verbeek},
journal= {arXiv preprint arXiv:2403.11675},
year = {2024}
}
备注
Appeared at the Practical ML for Low Resource Settings workshop at ICLR 2024