ICMLJun, 2022

基于概率教师的领域自适应目标检测学习

PDF
TL;DR本文提出了一种名为 Probabilistic Teacher（PT）的简单但有效的框架，通过从逐渐演变的 “老师” 中捕捉未标记目标数据的不确定性来引导学生的学习，从而优化了无监督域适应目标检测任务的性能并提出了 Entropy Focal Loss（EFL）以进一步加强不确定性引导的自训练方法，结果表明 PT 在多个基准测试中均超过以往工作的表现并取得了最新的最佳结果。
unsupervised domain adaptationself-trainingobject detectionprobabilistic teacherentropy focal loss
发现论文，激发创造
  • 自训练与对抗学习相互合作：领域自适应目标检测

    本文提出了一种利用预测不确定性来平衡对抗特征对齐和类级对齐的方法，以适应在物体外观、视角和背景方面存在显著变化的未知领域中的已训练的物体检测器。

    Oct, 2021

  • 领域自适应目标检测：自训练与对抗学习之间的平衡

    利用模型的预测不确定性在领域迁移中实现对抗特征对齐和类别级对齐之间的平衡，从而在各种适应场景中超越现有的最先进方法。

    Nov, 2023

  • 跨域适应目标检测教师

    我们提出了自适应教师（AT）框架来解决使用教师 - 学生框架进行目标检测的半监督学习中由于域差异而产生的问题，AT 利用领域对抗学习和弱 - 强数据增强来缓解这一问题。

    Nov, 2021

  • 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

  • 领域自适应语义分割中通过不确定性估计纠正伪标签学习

    本文提出了一种基于预测不确定性纠正伪标签学习的无监督语义分割自适应方法，通过模型输出语义分割预测和预测的不确定性，利用预测的方差建模估计不确定性，并将其纳入优化目标，从而动态地根据不同的置信度阈值纠正噪声伪标签，显著提高了在三个基准测试集上的性能。

    Mar, 2020

  • 具有熟练教师的半监督三维目标检测

    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

  • 无偏半监督目标检测教师

    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

  • 软教师端到端半监督目标检测

    本文提出了一种半监督的端到端目标检测方法，采用渐进的端到端训练来提高伪标签的质量，并在 COCO 基准测试中通过采用两种简单而有效的技术进行了改进，使得在不同的标记比率下（1%，5% 和 10%）皆性能优于以往方法，并且在有大量标记数据的情况下也表现良好。

    Jun, 2021

  • 半监督语言理解中基于不确定性的参数高效自训练

    UPET 是一个新颖的、针对标记数据稀缺问题的不确定性感知的参数高效自训练框架，通过在蒙特卡洛（MC）dropout 和贝叶斯神经网络（BNN）中进行不确定性估计，并基于置信度和确定性选择可靠的伪标记样本，在学生训练中引入多个参数高效学习（PEL）范式来仅优化一小部分参数，以及提出了一种新颖的 Easy-Hard 对比调优方法来增强鲁棒性和泛化性能。大量的实验证明 UPET 在性能和效率方面取得了显著改进。

    Oct, 2023

  • 基于自训练的领域自适应的双阶段伪标签密集化

    本研究提出了一种 Two-phase Pseudo Label Densification （TPLD）框架来解决自我训练中的次优模型问题，该框架在处理有序标签方面取得了显着改善，并与现有的 CRST 自我训练框架相结合，在标准的 UDA 基准测试上实现了最新的技术成果。

    Dec, 2020