基于软教师机制的端到端半监督目标检测
计算机视觉与模式识别
2021-08-09 v3 人工智能
摘要
本文提出一种端到端半监督目标检测方法，不同于以往更为复杂的多阶段方法。端到端训练在课程学习过程中逐步提升伪标签质量，而越来越准确的伪标签反过来有益于目标检测训练。我们还在该框架内提出两种简单而有效的技术：一种软教师机制，其中每个无标签边界框的分类损失由教师网络产生的分类分数加权；一种边界框抖动方法，用于为边界框回归的学习筛选可靠的伪框。在 COCO 基准上，所提方法在各种标注比例（即 1%、5% 和 10%）下大幅优于以往方法。此外，我们的方法在标注数据量相对较大时也表现良好。例如，通过利用 COCO 的 123K 张无标签图像，它可以将使用完整 COCO 训练集训练的 40.9 mAP 基线检测器提升 +3.6 mAP，达到 44.5 mAP。在基于最先进的 Swin Transformer 的目标检测器上（test-dev 上 58.9 mAP），它仍能将检测精度显著提升 +1.5 mAP，达到 60.4 mAP，并将实例分割精度提升 +1.2 mAP，达到 52.4 mAP。进一步结合 Object365 预训练模型，检测精度达到 61.3 mAP，实例分割精度达到 53.0 mAP，刷新了当前最优水平。
引用
@article{arxiv.2106.09018,
title = {End-to-End Semi-Supervised Object Detection with Soft Teacher},
author = {Mengde Xu and Zheng Zhang and Han Hu and Jianfeng Wang and Lijuan Wang and Fangyun Wei and Xiang Bai and Zicheng Liu},
journal= {arXiv preprint arXiv:2106.09018},
year = {2021}
}
备注
Accepted by ICCV2021