面向零售场景密集目标检测的半监督学习
计算机视觉与模式识别
2021-07-06 v1
摘要
零售场景的图像通常包含大量密集排列的物体。标准目标检测技术采用全监督训练方法。这种方法成本高昂，因为标注一个大型密集零售物体检测数据集所需的工作量比标准数据集高出一个数量级。因此，我们提出半监督学习，以有效利用零售领域中大量可用的无标注数据。我们将最初为物体分类提出的流行自监督方法 noisy student 适配到密集目标检测任务中。我们表明，使用无标注数据并结合 noisy student 训练方法，可以提升密集排列零售场景中物体精确检测的当前最优水平。我们还表明，随着无标注数据量的增加，模型性能也会提升。
引用
@article{arxiv.2107.02114,
title = {Semi-supervised Learning for Dense Object Detection in Retail Scenes},
author = {Jaydeep Chauhan and Srikrishna Varadarajan and Muktabh Mayank Srivastava},
journal= {arXiv preprint arXiv:2107.02114},
year = {2021}
}