重新审视类别不平衡对端到端半监督目标检测的影响
计算机视觉与模式识别
2023-06-06 v1 人工智能
机器学习
摘要
随着基于伪标签的端到端方法的发展，半监督目标检测（SSOD）取得了显著进展。然而，这些方法中的许多因类别不平衡问题而面临挑战，这阻碍了伪标签生成器的有效性。此外，在文献中已观察到低质量伪标签严重限制了 SSOD 的性能。在本文中，我们考察了低质量伪标签的根本原因，并提出了新颖的学习机制以提升标签生成质量。为应对高假阴性和低精确率，我们引入了自适应阈值机制，帮助所提网络筛选出最优边界框。我们进一步引入 Jitter-Bagging 模块以提供准确的定位信息，从而精炼边界框。此外，利用教师网络与学生网络预测的前景与背景分数，引入了两种新损失以提升伪标签召回率。而且，我们的方法通过输入强增强与弱增强数据对教师网络施加严格监督，以生成鲁棒的伪标签，从而能够检测小而复杂的物体。最后，大量实验表明，所提网络在 MS-COCO 与 Pascal VOC 数据集上优于最先进的方法，并使基线网络以少得多（即 20%）的标注数据达到 100% 有监督性能。
引用
@article{arxiv.2306.02268,
title = {Revisiting Class Imbalance for End-to-end Semi-Supervised Object Detection},
author = {Purbayan Kar and Vishal Chudasama and Naoyuki Onoe and Pankaj Wasnik},
journal= {arXiv preprint arXiv:2306.02268},
year = {2023}
}
备注
Accepted at the Efficient Deep Learning for Computer Vision Workshop, CVPR 2023