标签匹配半监督目标检测
通过引入一种双重策略来增强教师模型的训练过程,从而显著改善少样本学习,同时提出一种校准校正机制,使学生模型能够纠正教师的校准错误。实验结果在 LVIS 数据集上表现出显著的提升,平均精度(AP)提高了 2.8%,稀有类别的 AP 提高了 10.3%。
Mar, 2024
本文提出了一种基于伪标签的半监督级联匹配检测器 CascadeMatch,该检测器采用级联网络架构,并具有根据数据自适应提取的伪标签。实验结果表明,CascadeMatch 在处理长尾物体检测方面优于现有半监督方法,在几种检测结构中均优于 Unbiased Teacher,且能处理稀疏标注的物体检测问题。
May, 2023
本研究提出了一种半监督学习算法 MixMatch,采用猜测低熵标签的方法,通过使用 MixUp 混合标记和未标记的数据来处理扩充后的未标注样例。实验结果表明,MixMatch 在许多数据集和标记数据量上都取得了大幅度的优越结果,同时也证明了 MixMatch 如何帮助实现更好的准确性和隐私权的权衡。最终,我们进行了消融研究来分离 MixMatch 的哪些组件对其成功最为重要。
May, 2019
本篇文章研究了半监督深度学习的最新方法,重点是针对标记和未标记数据集之间分布差异的情况设计的半监督深度学习模型,致力于解决传统深度学习流水线在实际使用环境下对数据的高需求,并希望鼓励社区应对该方面的挑战。
Mar, 2022
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
本文针对有限标注信息下的半监督学习进行研究,分析了当前应用最广的半监督学习方法 FixMatch 在这种情况下的表现和局限,提出了一种利用自监督学习方法提供训练信号以及优化伪标签筛选过程的方案,并在 STL-10 数据集上得到了显著提高。
Dec, 2021
提出了一种名为 DualMatch 的新型半监督学习方法,其中类别预测以双层交互方式调用特征嵌入,通过一致的正则化确保不同的增强视图受到一致的类别预测约束,并确保同一类别的不同数据具有类似的特征嵌入,实验证明了 DualMatch 的有效性。
Oct, 2023
本文提出一种自适应阈值调整方法 FreeMatch,以更好地利用未标记数据,另外还引入了自适应类公平性正则化惩罚来促进模型多样性预测。实验证明 FreeMatch 相对于最新的 FlexMatch 方法在 CIFAR-10、STL-10 和 ImageNet 上均表现更加优越,可提高不平衡 SSL 的性能。
May, 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