教师协作用于半监督目标检测
计算机视觉与模式识别
2024-05-24 v1 人工智能
摘要
近期的半监督目标检测（SSOD）通过利用 unlabeled 数据进行训练已取得显著进展。主流SSOD方法依赖于一致性正则化和指数移动平均（EMA），形成循环数据流。然而，EMA更新训练方法导致教师和学生模型之间的权重耦合。这种循环数据流中的耦合导致对 unlabeled 数据信息的利用下降以及对低质量或错误伪标签的确认偏差。为此，我们提出了教师协作框架（CTF），该框架包括多个教师-学生模型对用于训练。在CTF的学习过程中，数据性能一致性优化模块（DPCO）通知具有最佳伪标签的教师模型对，这些最可靠的伪标签由表现最佳的教师生成，用于指导其他学生模型。因此，该框架显著提高了对 unlabeled 数据的利用率，防止不可靠伪标签的正反馈循环。CTF在众多SSOD数据集上实现了卓越的性能，包括在10%标注的COCO数据集上实现0.71%的mAP提升，在VOC数据集上实现0.89%的mAP提升，相较于LabelMatch而言，收敛速度显著加快。此外，CTF是即插即用的，可与其他主流SSOD方法集成。
引用
@article{arxiv.2405.13374,
title = {Collaboration of Teachers for Semi-supervised Object Detection},
author = {Liyu Chen and Huaao Tang and Yi Wen and Hanting Chen and Wei Li and Junchao Liu and Jie Hu},
journal= {arXiv preprint arXiv:2405.13374},
year = {2024}
}