CA-SSL：面向检测与分割的类不可知半监督学习
计算机视觉与模式识别
2022-07-20 v2
摘要
为提升实例级检测/分割性能，现有自监督与半监督方法从未标注数据中提取要么与任务无关、要么任务专用的训练信号。我们表明，这两种处于任务专用性谱系两端的方法，对任务性能而言均为次优。利用过少任务专用训练信号导致对下游任务真值标签欠拟合，而相反则导致对真值标签过拟合。为此，我们提出一种新颖的类不可知半监督学习（CA-SSL）框架，以在从未标注数据提取训练信号时实现更有利的任务专用性平衡。CA-SSL 具有三个训练阶段，作用于真值标签（标注数据）或伪标签（未标注数据）。该解耦策略避免了传统 SSL 方法中平衡两类数据贡献的复杂方案。特别地，我们引入预热训练阶段，通过忽略伪标签中的类别信息同时保留定位训练信号，实现任务专用性更优平衡。因此，我们的预热模型在检测与分割任务真值标签上微调时可更好避免欠拟合/过拟合。使用 3.6M 未标注数据，我们在 FCOS 目标检测上相较 ImageNet 预训练基线取得 4.7% 的显著性能提升。此外，我们的预热模型展现出对其他检测与分割框架的优异可迁移性。
引用
@article{arxiv.2112.04966,
title = {CA-SSL: Class-Agnostic Semi-Supervised Learning for Detection and Segmentation},
author = {Lu Qi and Jason Kuen and Zhe Lin and Jiuxiang Gu and Fengyun Rao and Dian Li and Weidong Guo and Zhen Wen and Ming-Hsuan Yang and Jiaya Jia},
journal= {arXiv preprint arXiv:2112.04966},
year = {2022}
}
备注
Appeared in ECCV2022