半监督目标检测：从CNN到Transformer的进展综述
计算机视觉与模式识别
2024-07-17 v2
摘要
半监督学习的显著进步推动了研究人员探索其在计算机视觉领域目标检测任务中的潜力。半监督目标检测(SSOD)利用小型标记数据集和大型未标记数据集的组合，有效减少了对大规模标记数据集的依赖，而这些数据集往往昂贵且耗时。最初的SSOD模型在有效利用未标记数据和管理生成的伪标签噪声方面存在挑战。然而，众多近期进展已解决了这些问题，显著提升了SSOD性能。本文综述了从卷积神经网络(CNN)到Transformer的27个前沿SSOD方法发展。我们深入探讨了半监督学习的核心组件及其在目标检测框架中的集成，涵盖数据增强技术、伪标签策略、一致性正则化和对抗训练方法。此外，我们对 various SSOD模型进行比较分析，评估其性能和架构差异。旨在激发进一步的研究兴趣，以克服现有挑战并探索目标检测半监督学习的新方向。
关键词
引用
@article{arxiv.2407.08460,
title = {Semi-Supervised Object Detection: A Survey on Progress from CNN to Transformer},
author = {Tahira Shehzadi and Ifza and Didier Stricker and Muhammad Zeshan Afzal},
journal= {arXiv preprint arXiv:2407.08460},
year = {2024}
}