DTG-SSOD：面向半监督目标检测的稠密教师引导
计算机视觉与模式识别
2022-07-13 v1 人工智能
摘要
均值教师（MT）方案被广泛用于半监督目标检测（SSOD）。在 MT 中，由教师的最终预测（例如经非极大值抑制（NMS）后处理之后）提供的稀疏伪标签，通过手工设计的标签分配用于学生的稠密监督。然而，稀疏到稠密范式使 SSOD 流程复杂化，同时忽视了强大的直接、稠密教师监督。本文中，我们尝试直接利用教师的稠密引导监督学生训练，即稠密到稠密范式。具体而言，我们提出逆 NMS 聚类（INC）与排序匹配（RM）来实现稠密监督，而不使用广泛使用的传统稀疏伪标签。INC 引导学生像教师那样在 NMS 中将候选框分组为簇，这是通过学习教师 NMS 过程中揭示的分组信息实现的。在通过 INC 获得与教师相同的分组方案后，学生进一步通过排序匹配模仿教师对簇内候选的排序分布。借助提出的 INC 与 RM，我们将稠密教师引导集成入半监督目标检测（称为 DTG-SSOD），成功摒弃稀疏伪标签，并在无标签数据上实现更具信息量的学习。在 COCO 基准上，我们的 DTG-SSOD 在各种标注比例下均达到最先进性能。例如，在 10% 标注比例下，DTG-SSOD 将监督基线从 26.9 mAP 提升至 35.9 mAP，比先前最佳方法 Soft Teacher 高出 1.9 个点。
引用
@article{arxiv.2207.05536,
title = {DTG-SSOD: Dense Teacher Guidance for Semi-Supervised Object Detection},
author = {Gang Li and Xiang Li and Yujie Wang and Yichao Wu and Ding Liang and Shanshan Zhang},
journal= {arXiv preprint arXiv:2207.05536},
year = {2022}
}
备注
Technical report