谦逊的教师为半监督目标检测培养更优秀的学生
计算机视觉与模式识别
2021-06-22 v1
摘要
我们针对当代目标检测器提出一种遵循教师-学生双模型框架的半监督方法。我们的方法特点在于：1）采用指数移动平均策略从学生在线更新教师；2）使用大量区域提议与软伪标签作为学生的训练目标；3）一种轻量化的检测专用数据集成，使教师生成更可靠的伪标签。相较于近期最先进的 STAC（其在稀疏筛选的硬伪样本上使用硬标签），我们的模型中的教师通过在许多提议上使用软标签向学生暴露更丰富的信息。当使用 VOC12 作为无标签数据时，我们的模型在 VOC07 val 集上取得 COCO 风格 AP 53.04%，比 STAC 高出 8.4%。在 MS-COCO 上，仅取少量数据作为有标签时，其性能优于先前工作。通过利用与有标签数据规模相近的无标签数据，其在 MS-COCO test-dev 上达到 53.8% AP，较全监督 ResNet-152 Cascaded R-CNN 提升 3.1%。
引用
@article{arxiv.2106.10456,
title = {Humble Teachers Teach Better Students for Semi-Supervised Object Detection},
author = {Yihe Tang and Weifeng Chen and Yijun Luo and Yuting Zhang},
journal= {arXiv preprint arXiv:2106.10456},
year = {2021}
}
备注
CVPR 2021 camera-ready. Code: https://github.com/lryta/HumbleTeacher