从多数据集训练目标检测模型时伪标签阈值的非迭代优化
计算机视觉与模式识别
2022-10-21 v1 机器学习
图像与视频处理
摘要
我们提出一种非迭代方法，用于优化伪标签阈值，以从一组低成本数据集学习目标检测，其中每个数据集仅标注了所有目标类别的一个子集。该问题的一种流行方法是先训练教师模型，然后在训练学生模型时将其高置信度预测用作伪真值标签。然而，为获得最佳结果，必须调整预测置信度的阈值。此过程通常涉及迭代搜索并重复训练学生模型，十分耗时。因此，我们开发了一种无需迭代优化即可优化阈值的方法，通过在验证集上最大化 分数来实现，该分数衡量伪标签质量且无需训练学生模型即可测得。我们通过实验证明，所提方法在 COCO 与 VOC 数据集上取得了与网格搜索相当的 mAP。
引用
@article{arxiv.2210.10221,
title = {Non-iterative optimization of pseudo-labeling thresholds for training object detection models from multiple datasets},
author = {Yuki Tanaka and Shuhei M. Yoshida and Makoto Terao},
journal= {arXiv preprint arXiv:2210.10221},
year = {2022}
}
备注
ICIP2022