PseCo：面向半监督目标检测的伪标注与一致性训练
计算机视觉与模式识别
2022-07-21 v2 人工智能
摘要
本文深入探究半监督目标检测（SSOD）中的两项关键技术，即伪标注与一致性训练。我们观察到这两种技术目前忽视了目标检测的一些重要特性，阻碍了在无标注数据上的高效学习。具体而言，对于伪标注，现有工作仅关注分类分数却无法保证伪框的定位精度；对于一致性训练，广泛采用的随机缩放训练仅考虑标签级一致性而遗漏了特征级一致性，后者对保证尺度不变性同样具有重要作用。为解决由噪声伪框引发的问题，我们设计了噪声伪框学习（NPL），包含预测引导标签分配（PLA）与正样本一致性投票（PCV）。PLA依赖模型预测来分配标签，使其对即便粗糙的伪框也具备鲁棒性；而PCV利用正样本的回归一致性来反映伪框的定位质量。此外，在一致性训练中，我们提出多视角尺度不变学习（MSL），包含标签级与特征级一致性的机制，其中特征一致性通过对齐两幅内容相同但尺度不同的图像间偏移的特征金字塔来实现。在COCO基准上，我们的方法（称为PSEudo标注与COnsistency训练，PseCo）在1%、5%和10%标注比例下分别超越SOTA（Soft Teacher）2.0、1.8、2.0个点。它还显著提升了SSOD的学习效率，例如PseCo将SOTA方法的训练时间减半却取得更优性能。代码见 https://github.com/ligang-cs/PseCo。
引用
@article{arxiv.2203.16317,
title = {PseCo: Pseudo Labeling and Consistency Training for Semi-Supervised Object Detection},
author = {Gang Li and Xiang Li and Yujie Wang and Yichao Wu and Ding Liang and Shanshan Zhang},
journal= {arXiv preprint arXiv:2203.16317},
year = {2022}
}
备注
ECCV 2022