自适应类别重平衡半监督目标检测自训练
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
当前半监督目标检测算法通常假设类别平衡的数据集(如 PASCAL VOC 等)或类别稍不平衡的数据集(如 MS-COCO 等),然而真实世界的数据集往往具有极度的类别不平衡性,从而使半监督目标检测器的性能远远不令人满意。为了弥补这一研究空白,我们全面研究了半监督目标检测中类别不平衡问题的更具挑战性的场景,形成了第一个实验设置用于类别不平衡的半监督目标检测(CI-SSOD)。此外,我们提出了一个简单但有效的基于梯度的采样框架,从两个类型的确认偏差的角度解决了类别不平衡问题。实验结果表明,我们的方法在三个提出的子任务上,即 MS-COCO、MS-COCO 到 Object365 和 LVIS 上,均明显优于当前的类别不平衡目标检测器,为未来 CI-SSOD 研究提供了基准。
Mar, 2024
本文提出了一种基于置信度的伪标签方法,用于目标检测任务中的半监督目标检测。相较于现有方法,我们的方法可以更好地估计伪标签的分类和定位质量,并根据估计结果调整伪标签产生的阈值和权重,从而缓解类别不平衡和定位精度的问题。我们的实验结果表明,在 COCO 和 PASCAL VOC 数据集上,本方法可以使半监督目标检测的性能提升 1-2% AP,在有限标注的情况下,即使只使用 COCO 的 1-10% 标记数据,我们的方法也能将有监督基线方法的性能提高 10% AP。
Jun, 2021
本文研究了半监督目标检测在航空图像中存在的尺度不平衡问题,并提出了适应性阈值判别、尺度再平衡标签分配和教师引导负样本学习等关键组件,以实现尺度无偏学习。通过对 DOTA-v1.5 基准上的广泛实验,证明了我们提出的方法在性能上优于现有竞争方法。
Oct, 2023
本文提出一种动态自适应阈值策略,同时考虑伪标签的质量和数量,并提出一种模块计算单级检测器的伪标签回归不确定性,仅使用来自 COCO 的 10%标记数据,我们的方法在基于锚点和无锚点的检测器(RetinaNet 和 FCOS)上实现了 35.0%AP 和 32.9%。
Apr, 2022
本文综述了半监督目标检测的五个方面,包括数据增强、数据标注、损失函数和常见基准数据集等。通过对各种方法的比较和分析,为读者提供了对该领域研究现状和未来发展方向的深入了解。
Jun, 2023
我们在遥感图像目标检测中探讨了一种在未筛选的未标记数据上进行半监督学习的方法,该方法使用标记的分布数据动态构建类别特征库,并通过与特征库中的条目进行比较计算 OOD 分数,有效过滤 OOD 样本。通过在 DIOR 和 DOTA 两个广泛使用的遥感目标检测数据集上进行的实验,我们证明了我们提出的方法在 RSIs 中实现开放集半监督目标检测方面具有卓越的性能和效果。
Oct, 2023
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
本研究提出了一种基于 DenSe Learning 的锚点自由的半监督目标检测算法,其中包含自适应过滤策略、聚合型教师以及跨尺度不确定性一致性正则化等多种新技术,与 MS-COCO 和 PASCAL-VOC 等数据集上得到的实验结果表明,该方法在半监督目标检测性能上取得了新的最优结果。
Apr, 2022
我们提出了一种利用师生网络 (SSOD-AT) 来增强遥感图像半监督目标检测 (SSOD) 的新型主动学习 (AL) 方法,该方法利用 RoI 比较模块 (RoICM) 生成高置信度伪标签,同时使用 RoICM 识别不确定度前 K 个图像,并引入多样性准则来减少人工标注中的冗余。实验证明,我们的方法在遥感图像中的目标检测方面优于现有方法。
Feb, 2024