基于分布一致性重加权的循环自训练半监督目标检测

近年来,许多半监督目标检测(SSOD)方法采用师生框架并取得了最先进的结果。然而,由于教师是学生网络的指数移动平均(EMA),教师网络与学生网络紧密耦合,这造成了性能瓶颈。为解决耦合问题,我们提出了一种用于SSOD的循环自训练(CST)框架,其包含两名教师T1和T2、两名学生S1和S2。基于这些网络构建了循环自训练机制,即S1${\rightarrow}$T1${\rightarrow}$S2${\rightarrow}$T2${\rightarrow}$S1。对于S${\rightarrow}$T,我们也利用学生的EMA权重更新教师。对于T${\rightarrow}$S,教师T1(T2)不直接为其自身学生S1(S2)提供监督,而是为学生S2(S1)生成伪标签,从而弱化了耦合效应。此外,由于EMA的特性,教师极可能累积来自学生的偏差并使错误不可逆。为缓解该问题,我们还提出了分布一致性重加权策略,基于教师T1和T2间的分布一致性对伪标签进行重加权。借助该策略,两名学生S2和S1可在含噪伪标签下鲁棒训练,以避免确认偏差。大量实验证明CST的优越性:在基线基础上持续提升AP,并在标注数据稀缺时以2.1%的绝对AP提升优于最先进方法。