基于双竞争头的在线开集半监督目标检测
计算机视觉与模式识别
2024-03-25 v3
摘要
开集半监督目标检测（OSSOD）任务利用实用的开集无标签数据集，其包含分布内（ID）与分布外（OOD）实例，以进行半监督目标检测（SSOD）。OSSOD 的主要挑战是在伪标签生成过程中区分并过滤 OOD 实例（即离群点），因为 OOD 会影响性能。唯一已有的 OSSOD 工作采用一个额外的离线 OOD 检测网络，仅用标签数据训练以解决此问题。然而，有限的标签数据限制了改进潜力。同时，离线策略导致低效率。为缓解这些问题，本文提出一种端到端在线 OSSOD 框架，提升性能与效率：1）我们提出一种半监督离群点过滤方法，利用标签与无标签数据更有效地过滤 OOD 实例。2）我们提出一种无阈值的双竞争 OOD 头，通过抑制半监督离群点过滤中的误差累积进一步提升性能。3）我们的方法是一个在线端到端可训练的 OSSOD 框架。实验结果表明，与现有方法相比，我们的方法在多个 OSSOD 基准上达到最先进性能。此外，补充实验表明我们的方法更高效，并可轻松应用于不同 SSOD 框架以提升其性能。
引用
@article{arxiv.2305.13802,
title = {Online Open-set Semi-supervised Object Detection with Dual Competing Head},
author = {Zerun Wang and Ling Xiao and Liuyu Xiang and Zhaotian Weng and Toshihiko Yamasaki},
journal= {arXiv preprint arXiv:2305.13802},
year = {2024}
}