开放集半监督目标检测
计算机视觉与模式识别
2022-08-30 v1 机器学习
摘要
半监督目标检测（SSOD）的近期进展显示了利用无标签数据改进目标检测器的前景。然而，迄今为止这些方法都假设无标签数据不包含分布外（OOD）类别，而这在更大规模的无标签数据集中是不现实的。在本文中，我们考虑一个更实际但更具挑战性的问题：开放集半监督目标检测（OSSOD）。我们首先发现现有 SSOD 方法在开放集条件下获得的性能提升较低，这是由语义扩展引起的，即分散注意力的 OOD 目标被误预测为分布内伪标签用于半监督训练。为解决该问题，我们考虑了与 SSOD 方法集成的在线和离线 OOD 检测模块。通过广泛研究，我们发现基于自监督视觉 Transformer 的离线 OOD 检测器由于对伪标签干扰的鲁棒性，优于在线 OOD 检测器。在实验中，我们提出的框架有效解决了语义扩展问题，并在许多 OSSOD 基准（包括大规模 COCO-OpenImages）上显示出一致的改进。我们还在不同 OSSOD 条件下验证了框架的有效性，包括不同数量的分布内类别、不同监督程度以及无标签集的不同组合。
引用
@article{arxiv.2208.13722,
title = {Open-Set Semi-Supervised Object Detection},
author = {Yen-Cheng Liu and Chih-Yao Ma and Xiaoliang Dai and Junjiao Tian and Peter Vajda and Zijian He and Zsolt Kira},
journal= {arXiv preprint arXiv:2208.13722},
year = {2022}
}
备注
Project Page is at https://ycliu93.github.io/projects/ossod.html