MixTeacher：利用混合尺度教师挖掘高潜力伪标签的半监督目标检测
计算机视觉与模式识别
2023-03-17 v1
摘要
目标实例间的尺度变化仍是目标检测任务中的关键挑战。尽管现代检测模型已取得显著进展，这一挑战在半监督情形下尤为明显。现有半监督目标检测方法依赖严格条件从网络预测中筛选高质量伪标签，我们观察到极端尺度的目标往往置信度较低，导致缺乏对这些目标的正向监督。本文提出一种新颖框架，通过引入混合尺度教师来改善伪标签生成与尺度不变学习，从而解决尺度变化问题。此外，我们提出利用跨尺度预测的分数提升来挖掘伪标签，这得益于混合尺度特征带来的更优预测。我们在 MS COCO 和 PASCAL VOC 基准上于多种半监督设定下进行的广泛实验表明，我们的方法取得了新的 SOTA 性能。代码与模型见 \url{https://github.com/lliuz/MixTeacher}。
引用
@article{arxiv.2303.09061,
title = {MixTeacher: Mining Promising Labels with Mixed Scale Teacher for Semi-Supervised Object Detection},
author = {Liang Liu and Boshen Zhang and Jiangning Zhang and Wuhao Zhang and Zhenye Gan and Guanzhong Tian and Wenbing Zhu and Yabiao Wang and Chengjie Wang},
journal= {arXiv preprint arXiv:2303.09061},
year = {2023}
}
备注
Accepted by CVPR 2023. Implementation available: https://github.com/lliuz/MixTeacher