改进半监督目标检测中的定位
计算机视觉与模式识别
2022-06-22 v1
摘要
如今，半监督目标检测（SSOD）是一个热点话题，因为虽然为新数据集收集图像相当容易，但标注它们仍是昂贵且耗时的任务。在半监督学习（SSL）设定下利用原始图像的成功方法之一是Mean Teacher技术，其中由教师进行伪标注与从学生到教师的知识迁移同时发生。然而，基于阈值的伪标注并非最佳方案，因为置信度值并非严格关联于预测不确定性，无法安全地过滤预测。本文中，我们引入一项针对边界框定位的附加分类任务，以改进预测边界框的过滤并在学生训练上获得更高质量。此外，我们凭经验证明无监督部分的边界框回归对训练的贡献可与类别分类同等重要。我们的实验表明，在有限标注机制下，我们的IL-net（改进定位网络）在COCO数据集上将SSOD性能提升了1.14% AP。代码见 https://github.com/IMPLabUniPr/unbiased-teacher/tree/ilnet
引用
@article{arxiv.2206.10186,
title = {Improving Localization for Semi-Supervised Object Detection},
author = {Leonardo Rossi and Akbar Karimi and Andrea Prati},
journal= {arXiv preprint arXiv:2206.10186},
year = {2022}
}