软教师端到端半监督目标检测
我们提出了一种基于师生对抗框架的半监督目标检测方法,使用区域提议和软伪标签作为学生的训练目标,并使用指数移动平均策略更新教师。相比于最近的最先进技术,我们的模型使用许多建议和软标签向学生暴露了更丰富的信息,并通过使用检测特定数据集合,使教师更可靠地生成伪标签。在 VOC07 验证集上达到了 53.04% 的 COCO-style AP,比 STAC 高出 8.4%,在 MS-COCO 上取得了优于以往工作的表现。
Jun, 2021
本文研究半监督物体检测 (SS-OD) 中的伪标签偏差问题并引入一种名为 “Unbiased Teacher” 的方法,通过对过度自信的伪标签进行分类均衡损失,共同训练一个学生和逐渐进步的老师,最终在 COCO 标准、COCO 附加和 VOC 数据集上使现有的最先进方法显著提高 6.8 绝对 mAP,当只使用 0.5、1、2%的标记数据时,相对于有监督的基线,实现了约 10 mAP 的提高。
Feb, 2021
本研究介绍了一个完全端到端的有效半监督物体检测框架 Instant-Teaching,使用了即时伪标记和扩展的弱 - 强数据增强进行教学。在 MS-COCO 和 PASCAL VOC 数据集上的实验证明了我们提出的方法优于现有方法。
Mar, 2021
本文提出了一种新的半监督目标检测方法,该方法在假标签生成器方面引入了新的学习机制以提高标签生成质量,并介绍了自适应阈值机制和 Jitter-Bagging 模块以提高边界框的精度和定位准确性,通过在教师网络上使用强调重和弱增强数据的严格监督来产生稳健的伪标签,在 MS-COCO 和 Pascal VOC 数据集上表现出色,且只需很少的标记数据即可实现 100%的监督表现。
Jun, 2023
该研究提出了一种新的半监督目标检测框架,使用混合尺度 teacher 生成伪标签并实现尺度不变学习,同时提出使用跨尺度预测分数提升来挖掘伪标签,实验证明该方法在不同半监督场景下达到了新的 state-of-the-art 表现。
Mar, 2023
BoxTeacher 是一个高效 End-to-End 的训练框架,可以实现使用 Bounding Box 产生高质量的 Mask 标签的弱监督实例分割,BoxTeacher 使用一个复杂的教师网络产生高质量的 Mask 标签,然后通过 noise-aware pixel loss 和 noise-reduced affinity loss 调整学生网络,这种方法在 COCO 数据集上具有很高的标记 AP 表现。
Oct, 2022
本文提出了一种新的 Pseudo-Labeling 半监督三维目标检测框架,通过引入 STE 和 CBV 模块提高了教师模型的性能,同时提出了 BCL 软监督信号来减小错误样本对训练的负面影响。实验证明,在 ONCE 和 Waymo 数据集上,我们的方法显著提高了基线,同时在 Waymo 数据集上,只使用了一半的注释即可超过完全注释的 oracle 模型。
Jul, 2022
本文研究了教师 - 学生学习的数据初始化问题,并提出了一种称为 Active Teacher 的新算法,用于半监督目标检测。Active Teacher 可以最大限度地利用有限的标签信息来提高半监督的性能。我们在 MS-COCO 基准测试上进行了大量实验,并将 Active Teacher 与一组最近提出的半监督目标检测方法进行了比较,结果表明 Active Teacher 具有较高的性能,并能够在大大减少标签预算的情况下实现完全监督性能,这对于实际应用的数据注释提供了有用的经验知识。
Mar, 2023
本文提出了一种新的基于知识蒸馏方法的半监督目标检测算法 (Temporal Self-Ensembling Teacher),通过时间上的集成与损失函数中的一致性约束等方法提高了模型多样性和泛化能力,同时解决了数据分布不平衡和教师模型预测和学生模型预测高度相似产生的问题,在 VOC2007 数据集上取得了 80.73% 的 mAP 值,并在 COCO2014 数据集上达到了 40.52% 的 mAP 值,性能优于强有力的完全监督方法,并在 SSOD 目标检测领域取得了新的最优性能。
Jul, 2020
本文介绍了一种 Unbiased Teacher v2 方法,针对半监督目标检测的主要问题,将 SS-OD 方法推广到 anchor-free 检测器,引入了 Listen2Student 机制,收集学生和教师的相对不确定性,避免学生被错误的伪标签指引。该方法在 VOC、COCO-standard 和 COCO-additional 三个数据集上的表现优于目前的最先进方法。
Jun, 2022