面向单阶段目标检测的端到端半监督学习
计算机视觉与模式识别
2023-02-23 v1
摘要
半监督目标检测（SSOD）是计算机视觉中的研究热点，可大幅减少对昂贵边界框标注的需求。尽管取得了巨大成功，现有进展主要集中于 FasterRCNN 等两阶段检测网络，而对单阶段检测器的研究常被忽视。本文关注先进且流行的单阶段检测网络 YOLOv5 的半监督学习。与 Faster-RCNN 相比，YOLOv5 的实现复杂得多，且 YOLOv5 中使用的各种训练技巧也会削弱 SSOD 的收益。除该挑战外，我们还揭示了单阶段 SSOD 中的两个关键问题，即低质量伪标签和多任务优化冲突。为解决这些问题，我们提出了一种称为 OneTeacher 的新型师生学习方案，具有两项创新设计，即多视图伪标签精炼（MPR）和解耦半监督优化（DSO）。具体而言，MPR 通过增强视图精炼和全局视图过滤提升伪标签质量，DSO 通过结构微调与任务特定伪标签处理联合优化冲突。此外，我们还仔细修订了 YOLOv5 的实现以最大化 SSOD 收益，该实现也提供给现有 SSOD 方法以公平比较。为验证 OneTeacher，我们在 COCO 和 Pascal VOC 上进行了大量实验。广泛实验表明，OneTeacher 不仅能取得优于对比方法的性能（例如相对 AP 比 Unbiased Teacher 提升 15.0%），还能妥善处理单阶段 SSOD 中的关键问题。我们的源代码见：https://github.com/luogen1996/OneTeacher。
引用
@article{arxiv.2302.11299,
title = {Towards End-to-end Semi-supervised Learning for One-stage Object Detection},
author = {Gen Luo and Yiyi Zhou and Lei Jin and Xiaoshuai Sun and Rongrong Ji},
journal= {arXiv preprint arXiv:2302.11299},
year = {2023}
}