Instant-Teaching：一种端到端的半监督目标检测框架
计算机视觉与模式识别
2021-03-23 v1 人工智能
摘要
基于监督学习的对象检测框架需要大量繁琐的人工标注，这在实际应用中可能并不现实。半监督目标检测（SSOD）能够有效利用无标签数据来提升模型性能，对于目标检测模型的应用具有重要意义。本文重新审视 SSOD，提出 Instant-Teaching，一种完全端到端且高效的 SSOD 框架，其在每次训练迭代中使用即时伪标注与扩展的弱-强数据增强来进行教学。为缓解确认偏差问题并提升伪标注质量，我们进一步提出基于 Instant-Teaching 的协同校正方案，记为 Instant-Teaching。在 MS-COCO 与 PASCAL VOC 数据集上的大量实验证实了我们的框架的优越性。具体而言，当使用 有标签数据时，我们的方法在 MS-COCO 上以 4.2 mAP 超越最先进（state-of-the-art）方法。即便使用 MS-COCO 的全部监督信息，所提方法仍优于最先进方法约 1.0 mAP。在 PASCAL VOC 上，以 VOC07 作为有标签数据、VOC12 作为无标签数据，我们可实现超过 5 mAP 的提升。
引用
@article{arxiv.2103.11402,
title = {Instant-Teaching: An End-to-End Semi-Supervised Object Detection Framework},
author = {Qiang Zhou and Chaohui Yu and Zhibin Wang and Qi Qian and Hao Li},
journal= {arXiv preprint arXiv:2103.11402},
year = {2021}
}