基于梯度的采样用于类别不平衡半监督目标检测
计算机视觉与模式识别
2024-03-25 v1
摘要
当前的半监督目标检测（SSOD）算法通常假设类别平衡的数据集（如 PASCAL VOC 等）或轻微类别不平衡的数据集（如 MS-COCO 等）。这一假设很容易被违反，因为现实世界的数据集本质上可能极度类别不平衡，从而使半监督目标检测器的性能远不令人满意。此外，SSOD 中对此问题的研究严重不足。为了弥合这一研究空白，我们全面研究了更具挑战性场景下 SSOD 的类别不平衡问题，从而形成了类别不平衡 SSOD（CI-SSOD）的第一个实验设置。此外，我们提出了一个简单而有效的基于梯度的采样框架，从两种确认偏差的角度解决类别不平衡问题。为解决对多数类的确认偏差，基于梯度的重加权和基于梯度的阈值化模块利用每个类别的梯度来充分平衡多数类和少数类的影响。为解决来自少数类不正确伪标签的确认偏差，类别重平衡采样模块在基于梯度的重加权模块的指导下对无标签数据进行重采样。在三个提出的子任务（即 MS-COCO、MS-COCO 到 Object365 和 LVIS）上的实验表明，我们的方法以明显优势优于当前的类别不平衡目标检测器，可作为未来 CI-SSOD 研究的基线。代码将发布于 https://github.com/nightkeepers/CI-SSOD。
引用
@article{arxiv.2403.15127,
title = {Gradient-based Sampling for Class Imbalanced Semi-supervised Object Detection},
author = {Jiaming Li and Xiangru Lin and Wei Zhang and Xiao Tan and Yingying Li and Junyu Han and Errui Ding and Jingdong Wang and Guanbin Li},
journal= {arXiv preprint arXiv:2403.15127},
year = {2024}
}
备注
Accepted by ICCV2023