重新思考航拍图像半监督目标检测中的尺度不平衡问题
计算机视觉与模式识别
2023-10-24 v1
摘要
本文关注航拍图像中半监督目标检测（SSOD）的尺度不平衡问题。与自然图像相比，航拍图像中的目标尺寸更小、单图数量更多，增加了人工标注的难度。同时，先进的 SSOD 技术可利用有限标注数据与海量未标注数据训练出更优检测器，节省标注成本。然而，作为航拍图像中研究不足的任务，SSOD 在面临大量小目标时性能急剧下降。通过分析小目标与大目标的预测，我们识别出由尺度偏置引起的三个不平衡问题，即伪标签不平衡、标签分配不平衡和负学习不平衡。为解决这些问题，我们提出一种新颖的面向航拍图像的尺度判别半监督目标检测（S^3OD）学习流程。在我们的 S^3OD 中，提出三个关键组件：尺寸感知自适应阈值（SAT）、尺寸重平衡标签分配（SLA）和教师引导负学习（TNL），以保障尺度无偏学习。具体而言，SAT 自适应选择适当阈值以过滤不同尺度目标的伪标签；SLA 通过重采样与重加权平衡不同尺度目标的正样本；TNL 利用教师模型生成的信息缓解负样本的不平衡。在 DOTA-v1.5 基准上的大量实验证明了我们所提方法优于最先进的对比方法。代码将很快发布。
引用
@article{arxiv.2310.14718,
title = {Rethinking Scale Imbalance in Semi-supervised Object Detection for Aerial Images},
author = {Ruixiang Zhang and Chang Xu and Fang Xu and Wen Yang and Guangjun He and Huai Yu and Gui-Song Xia},
journal= {arXiv preprint arXiv:2310.14718},
year = {2023}
}