Nov, 2022

有礼貌的教师：互相学习和伪标签阈值的半监督实例分割

PDF
TL;DRPolite Teacher 使用相互学习框架，结合有限的监督信息和无标定实例，通过 confidence thresholding 和 mask scoring 来过滤噪声，进而在 anchor-free detector 上提高了 8% 的 mask AP 值，这是关于半监督实例分割问题的首个 anchor-free 解决方案。
semi-supervised instance segmentationmutual learningconfidence thresholdingmask scoringanchor-free detector
发现论文，激发创造
  • BoxTeacher：探索高质量的弱监督实例分割伪标签

    BoxTeacher 是一个高效 End-to-End 的训练框架，可以实现使用 Bounding Box 产生高质量的 Mask 标签的弱监督实例分割，BoxTeacher 使用一个复杂的教师网络产生高质量的 Mask 标签，然后通过 noise-aware pixel loss 和 noise-reduced affinity loss 调整学生网络，这种方法在 COCO 数据集上具有很高的标记 AP 表现。

    Oct, 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

  • 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

  • 改善半监督实例分割的 (伪) 标签

    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

  • 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

  • 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

  • 深度半监督知识蒸馏用于重叠宫颈细胞实例分割

    本文提出了一种基于深度学习的半监督知识蒸馏方法，通过标注和未标注的数据进行数据训练，建立了一个包含教师和学生网络的 Mask-guided Mean Teacher framework with Perturbation-sensitive Sample Mining (MMT-PSM)。实验表明，该方法相对于只学习标注数据的监督方法和最先进的半监督方法，显著提高了性能。

    Jul, 2020

  • 基于师生学习的快速分割方法改进

    本文提出一种基于零、一阶知识的细分神经网络迁移学习教师 - 学生框架，将拥有更好表现的重型细分网络的知识转移到轻型细分网络上，提高了轻型网络的细分准确性，仍然保持快速特性，并经数据实验验证该框架可以显著提升学生网络性能。

    Oct, 2018

  • 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

  • 利用加权一致性目标的深度半监督分割

    本文介绍了如何将 Mean Teacher 泛化到分割任务，并表明该方法可以在公开数据集中显着提高分割性能，同时解决了传统数据增强策略在分割任务中出现的问题。

    Jul, 2018