稀疏 Semi-DETR：用于半监督目标检测的稀疏可学习查询
计算机视觉与模式识别
2024-04-03 v1
摘要
本文针对 DETR 基于半监督目标检测 (SSOD) 框架的局限性进行了改进，尤其关注对象查询质量所带来的挑战。在 DETR 基于的 SSOD 中，单值分配策略会提供不准确的伪标签，而单多值分配策略则导致预测重叠。这会影响训练效率并降低模型性能，尤其在检测小目标或被遮挡目标时。我们引入稀疏 Semi-DETR，这是一种新型基于变换器的端到端半监督目标检测解决方案，用于克服上述挑战。稀疏 Semi-DETR 集成了查询细化模块，以增强对小目标和部分遮挡目标的检测能力。此外，我们整合了可靠伪标签过滤模块，通过选择性过滤高质量伪标签来提高检测精度和一致性。在 MS-COCO 和 Pascal VOC 目标检测基准测试中，稀疏 Semi-DETR 相较于当前 SOTA 方法实现了显著提升，凸显了稀疏 Semi-DETR 在半监督目标检测中的有效性，尤其是在小目标或部分遮挡目标的挑战场景中。
引用
@article{arxiv.2404.01819,
title = {Sparse Semi-DETR: Sparse Learnable Queries for Semi-Supervised Object Detection},
author = {Tahira Shehzadi and Khurram Azeem Hashmi and Didier Stricker and Muhammad Zeshan Afzal},
journal= {arXiv preprint arXiv:2404.01819},
year = {2024}
}
备注
CVPR2024