RSOD: 基于可靠性引导的极有限标签声纳图像目标检测

声纳图像中的目标检测是水下探测系统中的关键技术。与自然图像相比，声纳图像纹理细节更少，且更易受噪声影响，使得非专家难以区分类别间的细微差异。这导致他们无法为声纳图像提供精确的标注数据。因此，为极有限标签的声纳图像设计有效的目标检测方法尤为重要。为解决此问题，我们提出一个名为RSOD的师生框架，旨在充分学习声纳图像特征，并开发适用于这些图像的伪标签策略，以减轻有限标签的影响。首先，RSOD通过评估教师模型在不同视角下预测的一致性来计算可靠性分数。为利用此分数，我们引入一种对象混合伪标签方法，以应对声纳图像中标注数据的短缺。最后，我们通过实施可靠性引导的自适应约束来优化学生模型的性能。通过充分利用未标注数据，学生模型即使在标签极有限的情况下也能表现良好。值得注意的是，在UATD数据集上，我们的方法仅使用5%的标注数据，就能达到与使用100%标注数据训练的基线算法相竞争的结果。我们还收集了一个新数据集，为声纳领域的研究提供更多有价值的数据。