CamoTeacher：基于双旋转一致性的半监督伪装目标检测
计算机视觉与模式识别
2024-08-16 v1
摘要
半监督目标检测（SSOD）在利用未标注数据提升检测器性能方面展现出巨大潜力。然而，在伪装目标检测（COD）这一具有挑战性的子领域中，其应用仍鲜有探索。伪装目标与背景高度相似，导致伪标签中存在大量噪声，这严重阻碍了半监督伪装目标检测的发展。本文提出了一种新颖的半监督伪装目标检测框架CamoTeacher，利用双旋转一致性学习（DRCL）有效解决上述噪声问题。具体而言，DRCL通过利用旋转视图在像素级和实例级的一致性来最小化伪标签噪声。首先，采用像素级一致性学习（PCL），通过对伪标签内不同部分进行重新加权来处理像素级噪声。其次，利用实例级一致性学习（ICL）调整伪标签的权重，以处理实例级噪声。在四个伪装目标检测基准数据集上的大量实验表明，所提出的CamoTeacher不仅在半监督学习方法中达到了最先进的性能，而且可与成熟的完全监督学习方法相媲美。我们的代码即将公开。
关键词
引用
@article{arxiv.2408.08050,
title = {CamoTeacher: Dual-Rotation Consistency Learning for Semi-Supervised Camouflaged Object Detection},
author = {Xunfa Lai and Zhiyu Yang and Jie Hu and Shengchuan Zhang and Liujuan Cao and Guannan Jiang and Zhiyu Wang and Songan Zhang and Rongrong Ji},
journal= {arXiv preprint arXiv:2408.08050},
year = {2024}
}
备注
Accepted to ECCV 2024