半监督目标检测方法的实践见解
计算机视觉与模式识别
2026-01-30 v2
摘要
数据稀缺环境下的学习最近在研究界引起了广泛关注。半监督目标检测（SSOD）旨在通过利用大量无标签图像和少量有标签图像（又称少样本学习）来提高检测性能。在本文中，我们对三种最先进的 SSOD 方法（包括 MixPL、Semi-DETR 和 Consistent-Teacher）进行了全面比较，旨在了解性能如何随有标签图像的数量而变化。我们使用 MS-COCO 和 Pascal VOC 数据集进行了实验，这两个流行的目标检测基准允许进行标准化评估。此外，我们在自定义的 Beetle 数据集上评估了 SSOD 方法，这使我们能够深入了解它们在目标类别较少的专用数据集上的性能。我们的研究结果突出了准确率、模型大小和延迟之间的权衡，为哪些方法最适合低数据机制提供了见解。
引用
@article{arxiv.2601.13380,
title = {Practical Insights into Semi-Supervised Object Detection Approaches},
author = {Chaoxin Wang and Bharaneeshwar Balasubramaniyam and Anurag Sangem and Nicolais Guevara and Doina Caragea},
journal= {arXiv preprint arXiv:2601.13380},
year = {2026}
}