基于对象级对比学习与回归不确定性的半监督目标检测
计算机视觉与模式识别
2022-12-07 v1
摘要
半监督目标检测(SSOD)旨在利用额外无标注数据提升检测性能。教师-学生框架已被证明对SSOD有前景,其中教师网络为无标注数据生成伪标签以辅助学生网络训练。由于伪标签含噪,过滤伪标签对发掘该框架潜力至关重要。不同于现有的次优方法,我们在教师-学生框架中针对分类头和回归头提出两步伪标签过滤。对于分类头,OCL(对象级对比学习)正则化利用无标注数据的对象表示学习,通过增强分类分数的判别性来改进伪标签过滤。其设计用于将同类对象拉拢、异类对象推远。对于回归头,我们进一步提出RUPL(回归不确定性引导的伪标注)来学习对象定位的偶然不确定性以进行标签过滤。通过联合过滤分类头和回归头的伪标签,学生网络从教师网络获得更好的目标检测任务指导。在Pascal VOC和MS-COCO数据集上的实验结果证明了我们所提方法的优越性,取得了相较于现有方法有竞争力的性能。
引用
@article{arxiv.2212.02747,
title = {Semi-Supervised Object Detection with Object-wise Contrastive Learning and Regression Uncertainty},
author = {Honggyu Choi and Zhixiang Chen and Xuepeng Shi and Tae-Kyun Kim},
journal= {arXiv preprint arXiv:2212.02747},
year = {2022}
}
备注
Accepted to BMVC 2022