面向稀疏标注目标检测的校准教师
计算机视觉与模式识别
2023-03-15 v1
摘要
全监督目标检测需要使用所有实例均被标注的训练图像。由于高昂的人工与时间成本以及不可避免的标注遗漏，这实际并不现实。因此，每幅图像中的不完整标注会提供误导性监督并损害训练。近期关于稀疏标注目标检测的工作通过为缺失标注生成伪标签来缓解该问题。这种机制对伪标签分数的阈值敏感。然而，有效阈值在不同训练阶段与不同目标检测器间各不相同。因此，当前采用固定阈值的方法性能次优，且难以应用于其他检测器。为解决此障碍，我们提出一种校准教师（Calibrated Teacher），其预测置信度估计经过良好校准以匹配其真实精度。如此，不同训练阶段的不同检测器将共享相似的输出置信度分布，从而多个检测器可共享同一固定阈值并取得更好性能。此外，我们提出一种简单而有效的分类损失Focal IoU权重（FIoU）。FIoU旨在降低由标注缺失引起的假阴性样本的损失权重，从而作为师生范式的补充。大量实验表明，我们的方法在COCO的所有不同稀疏设定下均刷新了最优性能。代码将发布于https://github.com/Whileherham/CalibratedTeacher。
引用
@article{arxiv.2303.07582,
title = {Calibrated Teacher for Sparsely Annotated Object Detection},
author = {Haohan Wang and Liang Liu and Boshen Zhang and Jiangning Zhang and Wuhao Zhang and Zhenye Gan and Yabiao Wang and Chengjie Wang and Haoqian Wang},
journal= {arXiv preprint arXiv:2303.07582},
year = {2023}
}