注意偏差：打磨伪标签以实现精准半监督目标检测
计算机视觉与模式识别
2023-02-01 v2
摘要
利用教师检测器产生的未标注物体的伪标签（如类别与边界框）支撑了近期半监督目标检测（SSOD）的大部分进展。然而，由于稀缺标注导致教师检测器泛化能力有限，所产生的伪标签往往偏离真实标注，尤其是那些分类置信度相对较低的伪标签，从而限制了SSOD的泛化性能。为缓解该问题，我们提出了一种用于SSOD的双重伪标签打磨框架。我们并未直接利用教师检测器产生的伪标签，而是首次尝试使用双重打磨学习来减小其与真实标注的偏差：精心设计了两个结构不同的打磨网络，并分别利用在给定标注物体上合成的成对伪标签及对应的类别与边界框真实标注进行训练。如此，两个打磨网络均能基于初始产生的伪标签充分挖掘上下文知识，为未标注物体推断更精准的伪标签，从而提升SSOD的泛化性能。此外，该方案可无缝插入现有SSOD框架以实现联合端到端学习。另外，我们提出将未标注物体的打磨后伪类别与边界框解耦，用于SSOD中独立的类别分类与边界框回归，这使得模型训练时可引入更多未标注物体，进而进一步提升性能。在PASCAL VOC与MS COCO基准上的实验证明了所提方法优于现有最先进基线。
引用
@article{arxiv.2207.08185,
title = {Mind the Gap: Polishing Pseudo labels for Accurate Semi-supervised Object Detection},
author = {Lei Zhang and Yuxuan Sun and Wei Wei},
journal= {arXiv preprint arXiv:2207.08185},
year = {2023}
}
备注
Accepted by Thirty-Seventh AAAI Conference on Artificial Intelligence (AAAI 2023)