DualTeacher：桥接未标注类别的共存以实现半监督增量目标检测
计算机视觉与模式识别
2024-01-12 v1 人工智能
摘要
在现实应用中，目标检测器经常遇到来自新类别的目标实例，需要有效适应它们。先前的工作将这一关键问题表述为增量目标检测（IOD），假设增量数据中新类别的目标实例被完全标注。然而，由于监督信号通常稀少且昂贵，有监督的IOD可能不实用。在这项工作中，我们考虑了一个更现实的设置，称为半监督增量目标检测（SSIOD），其中目标检测器需要从少量标注数据和大量未标注数据中增量学习新类别，同时不灾难性遗忘旧类别。有监督IOD的常用策略是鼓励当前模型（作为学生）模仿旧模型（作为教师）的行为，但这在SSIOD中通常失败，因为来自旧类别和新类别的大多数目标实例共存且未标注，而教师只识别其中一部分。观察到仅学习感兴趣的类别往往倾向于排除其他类别的检测，我们提出通过构建分别针对旧类别和新类别的两个教师模型，并使用它们预测的拼接来指导学生，从而桥接未标注类别的共存。这种方法称为DualTeacher，可以作为SSIOD的强基线，资源开销有限且无需额外超参数。我们为SSIOD构建了各种基准，并进行了大量实验以证明我们方法的优越性（例如，在MS-COCO上性能领先高达18.28 AP）。我们的代码可在https://github.com/chuxiuhong/DualTeacher获取。
引用
@article{arxiv.2401.05362,
title = {DualTeacher: Bridging Coexistence of Unlabelled Classes for Semi-supervised Incremental Object Detection},
author = {Ziqi Yuan and Liyuan Wang and Wenbo Ding and Xingxing Zhang and Jiachen Zhong and Jianyong Ai and Jianmin Li and Jun Zhu},
journal= {arXiv preprint arXiv:2401.05362},
year = {2024}
}