Omni-DETR：基于 Transformer 的全监督目标检测
计算机视觉与模式识别
2022-03-31 v1
摘要
我们考虑全监督目标检测问题，该问题可利用未标注、全标注和弱标注（如图像标签、计数、点等）注释进行目标检测。这由一种统一架构 Omni-DETR 实现，其基于近期的学生-教师框架和端到端基于 Transformer 的目标检测进展。在该统一架构下，可通过基于二分匹配的过滤机制，利用不同类型的弱标签为模型学习生成准确的伪标签。在实验中，Omni-DETR 在多个数据集和设置上取得了最先进（state-of-the-art）的结果。并且我们发现弱标注有助于提高检测性能，且它们的混合比标准完整标注能在标注成本与精度之间实现更好的权衡。这些发现可鼓励构建带有混合标注的更大型目标检测数据集。代码见 https://github.com/amazon-research/omni-detr。
引用
@article{arxiv.2203.16089,
title = {Omni-DETR: Omni-Supervised Object Detection with Transformers},
author = {Pei Wang and Zhaowei Cai and Hao Yang and Gurumurthy Swaminathan and Nuno Vasconcelos and Bernt Schiele and Stefano Soatto},
journal= {arXiv preprint arXiv:2203.16089},
year = {2022}
}
备注
Accepted by CVPR2022