基于自适应类别再平衡自训练的半监督目标检测
计算机视觉与模式识别
2021-07-13 v1 人工智能
摘要
本研究深入探讨半监督目标检测(SSOD)，以利用额外无标签数据提升检测器性能。近期，自训练实现了最先进的SSOD性能，其训练监督由真值与伪标签组成。在当前研究中，我们观察到SSOD中的类别不平衡严重阻碍了自训练的有效性。为解决类别不平衡，我们提出自适应类别再平衡自训练(ACRST)，并引入一种称为CropBank的新记忆模块。ACRST利用从CropBank提取的前景实例自适应地再平衡训练数据，从而缓解类别不平衡。由于检测任务的高复杂性，我们观察到自训练与数据再平衡均受SSOD中噪声伪标签影响。因此，我们提出一种新颖的两阶段滤波算法以生成准确伪标签。我们的方法在MS-COCO与VOC基准上取得令人满意的改进。当在MS-COCO中仅使用1%标签数据时，我们的方法相较监督基线提升17.02 mAP，并相较最先进方法提升5.32 mAP。
引用
@article{arxiv.2107.05031,
title = {Semi-Supervised Object Detection with Adaptive Class-Rebalancing Self-Training},
author = {Fangyuan Zhang and Tianxiang Pan and Bin Wang},
journal= {arXiv preprint arXiv:2107.05031},
year = {2021}
}