S4OD: 单阶段目标检测的半监督学习
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
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
提出了一种对抗 Selection ambiguity 和 Assignment ambiguity 的 Ambiguity-Resistant Semi-supervised Learning (ARSL) 方法,使用 Joint-Confidence Estimation 和 Task-Separation Assignment 等技术来提高 Semi-Supervised 目标检测的性能,实验表明该方法取得了最先进的性能。
Mar, 2023
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
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
本文提出了基于数据不确定性引导的多阶段学习方法和图像不确定性引导简单数据选择和感兴趣区域重新加权方法,能够充分考虑不同类型的未标记图像并将不同阶段的模型集成在一起,从而使半监督目标检测器更加聚焦于更可靠的知识,实验结果表明,该方法与基线方法相比具有显著的优势。
Mar, 2021
本文提出了一种弱 / 半监督目标检测框架 (WSSOD),通过在联合数据集上训练代理检测器,进而在弱标注图像上预测伪包围框,提出了弱监督损失 (WSL)、标签注意力和随机伪标签采样策略来放宽当前半监督流程的假设,并为检测管道的有效性带来额外的改进。这个框架在 PASCAL-VOC 和 MSCOCO 基准测试中展示了显著的性能,只有三分之一的注释数据就能达到与完全监督相同的高性能。
May, 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
该论文介绍了一种用于少量数据情况下目标检测的伪标注方法,可以从训练数据中找到高质量伪标注,显著增加训练实例数量,降低类别不平衡问题,通过验证技术和训练一个专门的模型来纠正盒子边框的质量,其中展示了算法在 PASCAL VOC 和 MS-COCO 数据集上的表现,与现有方法相比获得了最优状态或次优状态。
Dec, 2021