Semi-DETR：基于检测 Transformer 的半监督目标检测
计算机视觉与模式识别
2023-07-18 v1
摘要
我们分析了基于 DETR 的框架在半监督目标检测（SSOD）上的表现，观察到（1）当伪真值边界框不准确时，一对一分配策略会产生错误匹配，导致训练低效；（2）基于 DETR 的检测器缺乏输入查询与其预测输出之间的确定性对应关系，这阻碍了当前 SSOD 方法中广泛使用的基于一致性的正则化的适用性。我们提出 Semi-DETR，这是首个基于 Transformer 的端到端半监督目标检测器，以解决这些问题。具体而言，我们提出一种分阶段混合匹配策略，结合一对多分配与一对一分配策略，以提高第一阶段的训练效率，从而为第二阶段的训练提供高质量伪标签。此外，我们引入跨视图查询一致性方法，从不同视图学习目标查询的语义特征不变性，同时避免寻找确定性查询对应关系的需要。进一步，我们提出基于代价的伪标签挖掘模块，根据伪真值边界框的匹配代价动态挖掘更多伪框用于一致性训练。在 COCO 和 Pascal VOC 基准数据集的所有 SSOD 设定上的大量实验表明，我们的 Semi-DETR 方法以明显优势超越所有最先进的方法。PaddlePaddle 版本代码1 位于 https://github.com/PaddlePaddle/PaddleDetection/tree/develop/configs/semi_det/semi_detr。
引用
@article{arxiv.2307.08095,
title = {Semi-DETR: Semi-Supervised Object Detection with Detection Transformers},
author = {Jiacheng Zhang and Xiangru Lin and Wei Zhang and Kuo Wang and Xiao Tan and Junyu Han and Errui Ding and Jingdong Wang and Guanbin Li},
journal= {arXiv preprint arXiv:2307.08095},
year = {2023}
}
备注
CVPR2023