用于半监督目标检测的无偏教师
计算机视觉与模式识别
2021-02-19 v1 机器学习
摘要
半监督学习,即使用有标签和无标签数据共同训练网络,近来取得了显著进展。然而,现有工作主要聚焦于图像分类任务,而忽视了需要更多标注工作的目标检测。在本工作中,我们重新审视半监督目标检测(SS-OD)并指出了 SS-OD 中的伪标签偏差问题。为此,我们引入了 Unbiased Teacher,一种简单而有效的方法,以学生和逐渐进步的教师在互利方式中联合训练。配合一个类平衡损失以降权过度置信的伪标签,Unbiased Teacher 在 COCO-standard、COCO-additional 和 VOC 数据集上以显著幅度持续优于最先进方法。具体而言,在 MS-COCO 上使用 1% 有标签数据时,Unbiased Teacher 相较最先进方法取得 6.8 绝对 mAP 提升;在 MS-COCO 上仅使用 0.5、1、2% 有标签数据时,相较监督基线取得约 10 mAP 提升。
引用
@article{arxiv.2102.09480,
title = {Unbiased Teacher for Semi-Supervised Object Detection},
author = {Yen-Cheng Liu and Chih-Yao Ma and Zijian He and Chia-Wen Kuo and Kan Chen and Peizhao Zhang and Bichen Wu and Zsolt Kira and Peter Vajda},
journal= {arXiv preprint arXiv:2102.09480},
year = {2021}
}
备注
Accepted to ICLR 2021; Code is available at https://github.com/facebookresearch/unbiased-teacher