基于训练的模型精炼与表示分歧用于半监督目标检测
计算机视觉与模式识别
2023-10-30 v4 人工智能
摘要
半监督目标检测(SSOD)旨在利用有限标注数据与大量未标注数据来提升现有目标检测器的性能与泛化能力。尽管已有诸多进展,近期 SSOD 方法仍受限于使用经典指数移动平均(EMA)策略的模型精炼不足、训练后期教师-学生模型的一致性(即丧失差异性),以及含噪/误导性伪标签。本文提出一种新颖的基于训练的模型精炼(TMR)阶段与一种简单而有效的表示分歧(RD)策略,以解决经典 EMA 与一致性问题的局限。教师-学生模型的 TMR 阶段优化轻量级缩放操作以精炼模型权重并防止对未标注数据所学模式的过拟合或遗忘。同时,RD 策略有助于保持这些模型的发散,以鼓励学生模型探索未标注数据中的额外模式。我们的方法可集成至已有 SSOD 方法中,并使用带与不带级联回归的两种基线方法实证验证以生成更可靠的伪标签。大量实验证明我们的方法优于最先进的 SSOD 方法。具体而言,所提方法在 COCO-standard、COCO-additional 与 Pascal VOC 数据集上分别平均 mAP 超出基线 Unbiased-Teacher-v2(& Unbiased-Teacher-v1)方法 2.23、2.1、3.36(& 2.07、1.9、3.27)。
引用
@article{arxiv.2307.13755,
title = {Training-based Model Refinement and Representation Disagreement for Semi-Supervised Object Detection},
author = {Seyed Mojtaba Marvasti-Zadeh and Nilanjan Ray and Nadir Erbilgin},
journal= {arXiv preprint arXiv:2307.13755},
year = {2023}
}
备注
Accepted in IEEE/CVF Winter Applications of Computer Vision (WACV) 2024