基于 CascadeMatch 的半监督长尾目标检测
计算机视觉与模式识别
2023-05-25 v1
摘要
本文关注半监督学习设定下的长尾目标检测，该问题具有现实挑战性，但文献中鲜有研究。我们提出了一种新颖的基于伪标签的检测器，称为 CascadeMatch。我们的检测器采用级联网络架构，具有多阶段检测头与渐进式置信度阈值。为避免手动调节阈值，我们设计了一种新的自适应伪标签挖掘机制，从数据中自动确定合适的值。为缓解确认偏差（即模型被自身生成的不正确伪标签负向强化），每个检测头均由所有检测头的集成伪标签训练。在两个长尾数据集 LVIS 和 COCO-LT 上的实验表明，在处理长尾目标检测时，CascadeMatch 在广泛的检测架构中均超越了现有的最先进半监督方法。例如，在使用基于 ResNet50 的 Cascade R-CNN 结构时，CascadeMatch 在 LVIS 上以 1.9 AP Fix 优于 Unbiased Teacher；在使用带 Transformer 编码器的 Sparse R-CNN 时，以 1.7 AP Fix 优于后者。我们还展示了 CascadeMatch 甚至能处理具有挑战性的稀疏标注目标检测问题。
引用
@article{arxiv.2305.14813,
title = {Semi-Supervised and Long-Tailed Object Detection with CascadeMatch},
author = {Yuhang Zang and Kaiyang Zhou and Chen Huang and Chen Change Loy},
journal= {arXiv preprint arXiv:2305.14813},
year = {2023}
}
备注
International Journal of Computer Vision (IJCV), 2023