WSSOD：一种弱监督与半监督目标检测的新流程
计算机视觉与模式识别
2021-05-25 v1
摘要
目标检测的性能在很大程度上取决于大规模标注数据集的可用性。为降低标注成本，研究界已探索了多种利用无标注或弱标注数据的方法。然而，此类努力迄今成效有限。本文从务实的角度重新审视该问题，试图通过联合利用全标注与弱标注数据，在检测性能与标注成本之间探索新的平衡。具体而言，我们提出了一种弱监督与半监督目标检测框架（WSSOD），其包含两阶段学习过程。首先在一个联合数据集上训练一个代理检测器（agent detector），然后用它预测弱标注图像上的伪边界框。我们还在统一的EM公式下仔细审视了当前以及常见半监督流程中的潜在假设。在此框架之上，引入了弱监督损失（WSL）、标签注意力以及随机伪标签采样（RPS）策略以放宽这些假设，进一步提升了检测流程的有效性。所提框架在PASCAL-VOC和MSCOCO基准上展现出卓越性能，仅使用三分之一的标注即达到了与全监督设置相当的高性能。
引用
@article{arxiv.2105.11293,
title = {WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection},
author = {Shijie Fang and Yuhang Cao and Xinjiang Wang and Kai Chen and Dahua Lin and Wayne Zhang},
journal= {arXiv preprint arXiv:2105.11293},
year = {2021}
}