面向半监督目标检测的低置信样本挖掘
计算机视觉与模式识别
2023-06-29 v1
摘要
来自无标签数据的可靠伪标签在半监督目标检测(SSOD)中起着关键作用。然而，最先进的SSOD方法都依赖于高置信度伪标签，忽略了有价值的较低置信度伪标签。此外，对无标签数据的挖掘不足导致召回率过低，从而损害网络训练。本文提出一种新颖的低置信样本挖掘(LSM)方法以高效利用低置信伪标签。具体而言，我们基于低分辨率特征图开发了额外的伪信息挖掘(PIM)分支来提取可靠的大面积实例，其IoU高于小面积实例。由于PIM与主分支间的互补预测，我们进一步设计自蒸馏(SD)以互学习的方式相互补偿。同时，上述方法的可扩展性使我们的LSM可分别应用于Faster-RCNN与Deformable-DETR。在MS-COCO基准上，我们的方法在5%标注比例下比最先进方法提升了3.54% mAP。
引用
@article{arxiv.2306.16201,
title = {Low-Confidence Samples Mining for Semi-supervised Object Detection},
author = {Guandu Liu and Fangyuan Zhang and Tianxiang Pan and Bin Wang},
journal= {arXiv preprint arXiv:2306.16201},
year = {2023}
}