面向半监督目标检测的建议框学习
计算机视觉与模式识别
2020-04-27 v2
摘要
在本文中，我们关注半监督目标检测，通过在有标签和无标签数据上训练来提升基于建议框的目标检测器（即两阶段目标检测器）的性能。然而，由于真实标签的不可用，在无标签数据上训练目标检测器并非易事。为解决此问题，我们提出一种建议框学习方法，从有标签和无标签数据中学习建议框特征与预测。该方法由一个自监督建议框学习模块和一个基于一致性的建议框学习模块组成。在自监督建议框学习模块中，我们提出一种建议框位置损失和一种对比损失，分别用于学习上下文感知和噪声鲁棒的建议框特征。在基于一致性的建议框学习模块中，我们对建议框的边界框分类和回归预测施加一致性损失，以学习噪声鲁棒的建议框特征和预测。我们的方法具有以下优点：1) 鼓励在建议框学习过程中传递更多上下文信息；2) 噪声建议框特征并强制一致性以实现噪声鲁棒的目标检测；3) 构建一个通用且高性能的半监督目标检测框架，可轻松适配具有不同骨干网络架构的基于建议框的目标检测器。实验在COCO数据集上使用所有可用的有标签和无标签数据进行。结果表明我们的方法持续提升了全监督基线的性能。特别是，在与数据蒸馏结合后，相比全监督基线和数据蒸馏基线，我们的方法分别平均提升了约2.0%和0.9%的AP。
引用
@article{arxiv.2001.05086,
title = {Proposal Learning for Semi-Supervised Object Detection},
author = {Peng Tang and Chetan Ramaiah and Yan Wang and Ran Xu and Caiming Xiong},
journal= {arXiv preprint arXiv:2001.05086},
year = {2020}
}