标签匹配半监督目标检测
计算机视觉与模式识别
2022-06-15 v1
摘要
随着均值教师驱动自训练的发展，半监督目标检测取得了显著进展。尽管结果令人鼓舞，但先前工作尚未充分探讨标签不匹配问题，导致自训练期间严重的确认偏差。在本文中，我们从两个不同但互补的视角（即分布级和实例级）深入探究该问题，并提出一个简单而有效的 LabelMatch 框架。对于前者，根据蒙特卡洛采样，由有标签数据的类分布近似无标签数据的类分布是合理的。在该弱监督线索引导下，我们引入重分布均值教师，其利用自适应标签分布感知置信度阈值生成无偏伪标签以驱动学生模型学习。对于后者，存在跨师生模型的被忽视的标签分配歧义问题。为补救此问题，我们提出一种用于自训练框架的新颖标签分配机制，即提议自分配，它将学生的提议注入教师模型并生成准确的伪标签以相应匹配学生模型中的每个提议。在 MS-COCO 和 PASCAL-VOC 数据集上的实验证明了我们所提框架相对于其他最先进方法的显著优越性。代码将发布于 https://github.com/hikvision-research/SSOD。
引用
@article{arxiv.2206.06608,
title = {Label Matching Semi-Supervised Object Detection},
author = {Binbin Chen and Weijie Chen and Shicai Yang and Yunyi Xuan and Jie Song and Di Xie and Shiliang Pu and Mingli Song and Yueting Zhuang},
journal= {arXiv preprint arXiv:2206.06608},
year = {2022}
}
备注
To appear in CVPR 2022. Code is coming soon: https://github.com/hikvision-research/SSOD