ECCVJul, 2022

密集教师：用于半监督目标检测的密集伪标签

PDF
TL;DR本文提出基于密集预测的伪标签作为半监督目标检测器的替代方法，即 Dense Pseudo-Label (DPL)，并介绍了区域选择技术，在保留更丰富信息的同时抑制密集标签的噪声，利用 DPL 构建的 Dense Teacher 算法在 COCO 和 VOC 上的性能表现优于基于伪框的方法。
semi-supervised object detectorspseudo-boxesdense pseudo-labelregion selection techniquedense teacher
发现论文，激发创造
  • 自适应密集伪标签筛选用于半监督导向目标检测

    通过设计自适应机制来指导稠密伪标签的选择，提出了一种用于半监督定向目标检测的自适应稠密伪标签选择方法（ADPLS）。该方法在稀缺标记数据情况下，在 DOTA-v1.5 基准测试中表现出色。

    Nov, 2023

  • DTG-SSOD：密集教师引导用于半监督目标检测

    本文提出了一种新的理论，即采用密集式学习策略进行半监督物体检测，使用 Inverse NMS Clustering 和 Rank Matching 实现密集指导，旨在比传统稀疏 - 密集模式更有效地学习来自未标注数据的信息。在 COCO 基准测试中，该方法在多种标注比率下均实现了最新状态。

    Jul, 2022

  • 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

  • PseCo: 半监督目标检测的伪标注和一致性训练

    本文深入研究了半监督目标检测（SSOD）中的两个关键技术，即伪标记和一致性训练，并提出了针对它们的一些问题的解决方案。在 COCO 基准测试中，我们的方法 PseCo 在 1％、5％和 10％标记比下的性能分别超过了 Soft Teacher 的 2.0，1.8 和 2.0 个点，且 SSOD 的学习效率显着提高。

    Mar, 2022

  • 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

  • 半监督目标检测中伪标签的思考

    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

  • 稀疏化生成：通过点进行弱监督的稀疏伪标签生成

    通过稀疏生成方法和协调计算，提出了一种稀疏伪标签方法，间接获得高质量伪标签，解决了在少量监督注释数据情况下模型密度问题。在三个数据集上的实验证明，该方法在整体性能指标方面具有显著优势。

    Mar, 2024

  • 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

  • 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

  • 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