Jun, 2022

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

PDF
TL;DR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。
semi-supervised object detectionss-odanchor-free detectorslisten2student mechanismpseudo-labeling selection mechanism
发现论文，激发创造
  • 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

  • 基于密集学习的半监督目标检测

    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

  • 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

  • 稀疏标注数据下的半监督目标检测

    使用基于单一物体跟踪和半监督学习的方法，对于 IoU 稀疏注释的目标检测，自动生成密集注释用于训练目标检测器，从而在 Epic-Kitchens 2020 目标检测挑战中获得了第一名和亚军的成绩（在不同测试集上）。

    Jun, 2020

  • 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

  • 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

  • Consistent-Teacher：减少半监督目标检测中不一致伪标签的方法

    本研究探讨了半监督目标检测模型中伪目标的不一致性问题，提出了一种名为 ConsistentTeacher 的系统性解决方案，通过自适应锚定分配、三维特征对齐模块和高斯混合模型等步骤，可以有效减少伪标签带来的噪声和不准确性，提高模型精度。

    Sep, 2022

  • 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

  • 弥合差距：优化伪标签以实现准确半监督目标检测

    本文提出了一种基于双重伪标签磨光框架的半监督目标检测方法，通过利用上下文知识对最初产生的伪标签进行双重磨光学习，精确推断未注释对象的伪标签，以提高 SSOD 的泛化性能，并在 PASCAL VOC 和 MS COCO 基准测试中证明了该方法胜过现有最先进的基线方法。

    Jul, 2022

  • 谦逊的教师能更好地教授半监督物体检测的学生

    我们提出了一种基于师生对抗框架的半监督目标检测方法，使用区域提议和软伪标签作为学生的训练目标，并使用指数移动平均策略更新教师。相比于最近的最先进技术，我们的模型使用许多建议和软标签向学生暴露了更丰富的信息，并通过使用检测特定数据集合，使教师更可靠地生成伪标签。在 VOC07 验证集上达到了 53.04% 的 COCO-style AP，比 STAC 高出 8.4%，在 MS-COCO 上取得了优于以往工作的表现。

    Jun, 2021