面向少标注目标检测：基于 Transformer 的模型是否更高效？
计算机视觉与模式识别
2023-11-01 v1 人工智能
机器学习
摘要
对于目标和密集的下游任务（如目标检测），标注数据需要专业知识且可能非常昂贵，使得少样本和半监督模型成为更具吸引力的替代方案。在少样本设定中，我们观察到基于 transformer 的目标检测器在参数量相近时优于基于卷积的两阶段模型，但在近期半监督方法中使用时它们并不那么有效。本文提出一种专为当前最先进目标检测器 Deformable DETR 在少标注学习设定下设计的半监督方法，采用学生-教师架构，避免依赖于对教师模型生成的伪标签的敏感后处理。我们在半监督目标检测基准 COCO 和 Pascal VOC 上评估了我们的方法，其优于先前的方法，尤其在标注稀缺时。我们相信我们的贡献为在此设定下适配类似目标检测方法开辟了新的可能。
引用
@article{arxiv.2310.19936,
title = {Towards Few-Annotation Learning for Object Detection: Are Transformer-based Models More Efficient ?},
author = {Quentin Bouniot and Angélique Loesch and Romaric Audigier and Amaury Habrard},
journal= {arXiv preprint arXiv:2310.19936},
year = {2023}
}
备注
Published at WACV 2023