S²Teacher：用于稀疏标注有向目标检测的逐步教师
计算机视觉与模式识别
2025-04-16 v1
摘要
虽然完全监督的有向目标检测在多模态遥感图像理解中取得了显著进展，但其代价是需要大量人工标注。在实际应用中，近期研究探索了弱监督和半监督学习以缓解标注负担。然而，这些方法忽略了复杂遥感场景中稠密标注带来的挑战。本文引入一种新设定：稀疏标注有向目标检测 (SAOOD)，仅标注部分实例，并提出解决方案以应对其挑战。具体而言，我们关注该设定中的两个关键问题：(1) 稀疏标注导致仅凭有限的前景表示就会产生过拟合，(2) 未标注目标（误报）干扰特征学习。为此，我们提出了 S²Teacher，一种 novel 方法，通过从易到难逐步挖掘未标注目标的伪标签来增强前景表示。此外，它会对未标注目标的 loss 进行重新加权，以缓解其在训练期间的影响。广泛的实验表明，S²Teacher 不仅在不同稀疏标注水平上显著提升检测器性能，而且在仅使用 10% 标注实例的情况下即可在 DOTA 数据集上实现接近完全监督的性能，有效平衡了检测精度与标注效率之间的关系。该代码将公开发布。
引用
@article{arxiv.2504.11111,
title = {S$^2$Teacher: Step-by-step Teacher for Sparsely Annotated Oriented Object Detection},
author = {Yu Lin and Jianghang Lin and Kai Ye and You Shen and Yan Zhang and Shengchuan Zhang and Liujuan Cao and Rongrong Ji},
journal= {arXiv preprint arXiv:2504.11111},
year = {2025}
}