CVPRApr, 2022

基于密集学习的半监督目标检测

PDF
TL;DR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。
semi-supervised object detectionanchor-free detectordense learningpseudo-labelsgeneralization
发现论文，激发创造
  • 半监督式目标检测：近期研究和发展综述

    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

  • SOOD：半监督定向物体检测

    本文提出了一种新型的半监督定向目标检测模型，通过两种损失函数来提供更好的监督，实现对航空场景中定向目标检测的有效探索，超越了现有的半监督目标检测方法，并在 DOTA-v1.5 基准测试中达到了更好的效果。

    Apr, 2023

  • DSOD：从头开始学习深度监督目标检测器

    本研究提出了一种名为 DSOD 的新型深度监督目标检测器，通过设计一组原则以及采用密集的层内连接等手段使目标检测器可以从零开始训练，并在 PASCAL VOC 2007，2012 和 MS COCO 等数据集上完美取代了现有的模型。

    Aug, 2017

  • 即时教学：一种端到端的半监督目标检测框架

    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

  • SOOD++：利用无标签数据提升有向物体检测

    通过使用无标签数据提升目标检测器的半监督方法，我们提出了一种简单而有效的半监督定向目标检测方法 SOOD++，该方法在多方向对象和航拍图像方面获得了较好的结果。

    Jul, 2024

  • Unbiased Teacher v2：针对基于锚和无锚检测器的半监督目标检测

    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

  • 从头开始使用深度监督进行物体检测

    提出 Deeply Supervised Object Detectors（DSOD）框架，实现可以从头开始训练的目标检测器。通过 Layer-wise Dense 连接在主干网和预测层之间实现深度监督，DSOD 能在 PASCAL VOC 和 COCO 数据集上取得比现有方法更好的检测结果，并使用更小的模型参数。

    Sep, 2018

  • 重访类别不平衡对于端到端半监督目标检测的影响

    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

  • 半监督遥感图像目标检测中的非策划未标记数据

    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

  • 可信的半监督开放场景物体检测教师

    通过采用可信教师模型，本研究提出了一种端到端框架，使用灵活的标签来防止不确定的伪标签对模型的误导，逐步减少其不确定性，并通过其他可信伪标签的指导有效地抑制 O-SSOD 引起的负面影响，并且在实证结果中显著优于现有的对应模型。

    Jan, 2024