重新思考半监督关键点检测的自训练：一种免选择方法
计算机视觉与模式识别
2024-09-17 v2
摘要
自训练是一种简单而有效的半监督学习方法，在此过程中，伪标签选择在处理确认偏差方面起着重要作用。尽管自训练很受欢迎，但将其应用于关键点检测面临三个问题：1）所选的高置信度伪标签通常包含数据偏差，这可能损害模型性能；2）由于定位任务对噪声伪标签很敏感，因此不易为样本选择确定合适的阈值；3）坐标回归不输出置信度，使得基于选择的自训练不可行。为了解决上述问题，我们提出了用于关键点检测的自训练（STLD），这是一种不需要显式伪标签选择的方法。相反，STLD 构建一个任务课程来处理确认偏差，该课程在自训练的轮次中逐渐从高置信度任务过渡到低置信度任务。伪预训练和收缩回归是该课程的两个基本组成部分，其中前者作为课程的第一个任务以提供更好的模型初始化，后者在后续轮次中进一步加入，以由粗到细的方式直接利用伪标签。在三个面部和一个医学关键点检测基准上的实验表明，STLD 在半监督和全监督设置下均始终优于现有方法。代码可在 https://github.com/jhb86253817/STLD 获取。
引用
@article{arxiv.2404.04556,
title = {Rethinking Self-training for Semi-supervised Landmark Detection: A Selection-free Approach},
author = {Haibo Jin and Haoxuan Che and Hao Chen},
journal= {arXiv preprint arXiv:2404.04556},
year = {2024}
}
备注
Accepted to IEEE Transactions on Image Processing (TIP)