用于半监督目标检测的混合伪标签
计算机视觉与模式识别
2023-12-13 v1 人工智能
摘要
尽管伪标签方法在半监督目标检测任务中取得了显著成功，本文揭示了该方法内部存在的显著局限性。具体而言，伪标签方法倾向于放大检测器固有的优势，同时凸显其弱点，这表现为伪标签的漏检，特别是对于小目标和长尾类别目标。为了克服这些挑战，本文提出了混合伪标签，包括针对伪标签数据的 Mixup 和 Mosaic，以减轻漏检的负面影响并平衡模型在不同目标尺度上的学习。此外，通过对具有相关实例的标注数据进行重采样，提高了模型在长尾类别上的检测性能。值得注意的是，MixPL 持续提升了各种检测器的性能，并在 COCO-Standard 和 COCO-Full 基准上使用 Faster R-CNN、FCOS 和 DINO 取得了新的 SOTA 结果。此外，MixPL 在大模型上也展现出良好的可扩展性，将 DINO Swin-L 提升了 2.5% mAP，并在无需额外标注的情况下在 COCO val2017 基准上取得了不凡的新纪录（60.2% mAP）。
引用
@article{arxiv.2312.07006,
title = {Mixed Pseudo Labels for Semi-Supervised Object Detection},
author = {Zeming Chen and Wenwei Zhang and Xinjiang Wang and Kai Chen and Zhi Wang},
journal= {arXiv preprint arXiv:2312.07006},
year = {2023}
}