ConsistentTeacher：面向减少半监督目标检测中不一致伪目标的研究
计算机视觉与模式识别
2023-03-29 v3
摘要
在本研究中，我们深入探究了半监督目标检测（SSOD）中伪目标的不一致性。我们的核心观察是，振荡的伪目标破坏了准确检测器的训练。它向学生网络训练中注入噪声，导致严重的过拟合问题。因此，我们提出一种系统性解决方案，称为 ConsistentTeacher，以减少不一致性。首先，自适应锚框分配（ASA）替代了基于静态 IoU 的策略，使学生对含噪伪边界框具有鲁棒性。接着，我们通过设计三维特征对齐模块（FAM-3D）来校准子任务预测。它允许每个分类特征在任意尺度和位置自适应地查询回归任务的最优特征向量。最后，高斯混合模型（GMM）动态修正伪边界框的得分阈值，在早期阶段稳定真值数量，并弥补训练过程中不可靠的监督信号。ConsistentTeacher 在大量 SSOD 评测中提供了强劲结果。在仅使用 10% 标注的 MS-COCO 数据、以 ResNet-50 为骨干网络时，其达到 40.0 mAP，超越先前使用伪标签的基线约 3 mAP。当在完全标注的 MS-COCO 及额外无标注数据上训练时，性能进一步提升至 47.7 mAP。我们的代码见 \url{https://github.com/Adamdad/ConsistentTeacher}。
引用
@article{arxiv.2209.01589,
title = {Consistent-Teacher: Towards Reducing Inconsistent Pseudo-targets in Semi-supervised Object Detection},
author = {Xinjiang Wang and Xingyi Yang and Shilong Zhang and Yijiang Li and Litong Feng and Shijie Fang and Chengqi Lyu and Kai Chen and Wayne Zhang},
journal= {arXiv preprint arXiv:2209.01589},
year = {2023}
}
备注
CVPR2023 (Highlight), Camera Ready Version, Project Page: \url{https://adamdad.github.io/consistentteacher/}