基于稀疏标注数据集的半监督目标检测
计算机视觉与模式识别
2020-06-23 v1
摘要
在基于卷积神经网络训练目标检测器时，选取有效的正样本进行训练是一个重要因素。然而，当在图像上使用稀疏标注训练基于锚框的检测器时，寻找有效正样本的努力会阻碍训练性能。当使用基于锚框的训练针对真实边界框在给定IoU下收集正样本时，常可能将当前训练类别中其他类别的物体包含进来，或本需训练的物体仅被采样为负样本。我们采用两种途径解决该问题：1）使用无锚框目标检测器；2）基于单目标跟踪器的半监督学习式目标检测。所提技术通过将稀疏标注边界框用作连续帧在时间域上的锚来进行单目标跟踪。根据跟踪结果，以自动化方式生成训练图像的密集标注并用于训练目标检测器。我们将所提的基于单目标跟踪的半监督学习应用于Epic-Kitchens数据集。结果，在IoU > 0.5评估下，我们在Epic-Kitchens 2020目标检测挑战赛的Unseen部分取得了\textbf{亚军}性能，同时在Seen部分取得第一。
引用
@article{arxiv.2006.11692,
title = {Semi-Supervised Object Detection with Sparsely Annotated Dataset},
author = {Jihun Yoon and Seungbum Hong and Sanha Jeong and Min-Kook Choi},
journal= {arXiv preprint arXiv:2006.11692},
year = {2020}
}
备注
Challenge Winner in Epic-Kitchens 2020 Object Detection Challenge (EPIC@CVPR 2020)