SOOD:半监督定向物体检测
通过使用无标签数据提升目标检测器的半监督方法,我们提出了一种简单而有效的半监督定向目标检测方法 SOOD++,该方法在多方向对象和航拍图像方面获得了较好的结果。
Jul, 2024
本文综述了半监督目标检测的五个方面,包括数据增强、数据标注、损失函数和常见基准数据集等。通过对各种方法的比较和分析,为读者提供了对该领域研究现状和未来发展方向的深入了解。
Jun, 2023
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
我们在遥感图像目标检测中探讨了一种在未筛选的未标记数据上进行半监督学习的方法,该方法使用标记的分布数据动态构建类别特征库,并通过与特征库中的条目进行比较计算 OOD 分数,有效过滤 OOD 样本。通过在 DIOR 和 DOTA 两个广泛使用的遥感目标检测数据集上进行的实验,我们证明了我们提出的方法在 RSIs 中实现开放集半监督目标检测方面具有卓越的性能和效果。
Oct, 2023
本文研究了半监督目标检测在航空图像中存在的尺度不平衡问题,并提出了适应性阈值判别、尺度再平衡标签分配和教师引导负样本学习等关键组件,以实现尺度无偏学习。通过对 DOTA-v1.5 基准上的广泛实验,证明了我们提出的方法在性能上优于现有竞争方法。
Oct, 2023
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
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
提出 Single Instance annotated Object Detection (SIOD) 及其所使用的 Dual-Mining 方法来进行半监督目标检测,此方法只需要一个样本的注释信息,且在 MS COCO 数据库实验中效果显著。
Mar, 2022
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