面向遥感图像基于未筛选无标签数据的半监督目标检测
计算机视觉与模式识别
2023-10-10 v1
摘要
遥感图像（RSIs）的标注因其劳动密集型特性而颇具挑战。半监督目标检测（SSOD）方法通过为无标签数据生成伪标签来解决此问题，其假设无标签数据集中出现的所有类别也在有标签数据中有所体现。然而，现实情况引入了分布外（OOD）样本与分布内（ID）样本混合于无标签数据集中的可能。本文深入探讨直接在未筛选无标签数据上进行 SSOD 的技术，称为开集半监督目标检测（OSSOD）。我们的方法首先利用有标签的分布内数据动态构建类级特征库（CFB），以捕获各类特有特征。随后，我们将预测目标边界框的特征与 CFB 中相应条目比较以计算 OOD 分数。我们基于 CFB 的统计特性设计自适应阈值，从而有效滤除 OOD 样本。所提方法的有效性通过在两个广泛使用的遥感目标检测数据集 DIOR 与 DOTA 上的大量实验得到证实。这些实验展示了我们的方法在 RSI 上用于 OSSOD 的优越性能与功效。
引用
@article{arxiv.2310.05498,
title = {Semi-Supervised Object Detection with Uncurated Unlabeled Data for Remote Sensing Images},
author = {Nanqing Liu and Xun Xu and Yingjie Gao and Heng-Chao Li},
journal= {arXiv preprint arXiv:2310.05498},
year = {2023}
}