面向鲁棒且有效的真实世界半监督目标检测的构建模块
计算机视觉与模式识别
2025-03-25 v1 机器学习
摘要
基于伪标签的半监督目标检测(SSOD)通过有效利用有标签与无标签数据,显著降低了对大规模标注数据集的依赖。然而,SSOD 在真实场景中的应用常面临类别不平衡、标签噪声和标注错误等关键挑战。我们对真实条件下 SSOD 进行了深入分析,揭示了次优伪标签的成因以及标签质量与数量之间的关键权衡。基于研究发现,我们提出了四个可无缝集成到 SSOD 框架中的构建模块。Rare Class Collage(RCC):一种数据增强方法,通过拼接稀有目标图像来增强稀有类别的表征。Rare Class Focus(RCF):一种分层批次采样策略,确保训练过程中所有类别得到更均衡的表征。Ground Truth Label Correction(GLC):一种标签精修方法,利用教师模型预测的一致性来识别并修正错误、缺失和带噪的真值标签。Pseudo-Label Selection(PLS):一种用于剔除低质量伪标签图像的选择方法,由一种考虑类别稀有性的新型缺失检测率估计指标所引导。我们在自动驾驶数据集上通过全面实验验证了所提方法,SSOD 性能最高提升 6%。总体而言,我们的研究以及新颖的、以数据为中心且具有广泛适用性的构建模块,使 SSOD 能够在复杂的真实场景中实现鲁棒且有效的检测。代码见 https://mos-ks.github.io/publications。
引用
@article{arxiv.2503.18903,
title = {Building Blocks for Robust and Effective Semi-Supervised Real-World Object Detection},
author = {Moussa Kassem Sbeyti and Nadja Klein and Azarm Nowzad and Fikret Sivrikaya and Sahin Albayrak},
journal= {arXiv preprint arXiv:2503.18903},
year = {2025}
}
备注
Accepted to Transactions on Machine Learning Research (TMLR). OpenReview: https://openreview.net/forum?id=vRYt8QLKqK