级联匹配半监督长尾目标检测

May, 2023

Semi-Supervised and Long-Tailed Object Detection with CascadeMatch

Yuhang Zang, Kaiyang Zhou, Chen Huang, Chen Change Loy

TL;DR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。

Abstract

This paper focuses on long-tailed object detection in the semi-supervised learning setting, which poses realistic challenges, but has rarely been studied in the literature. We propose a novel pseudo-labeling-based detec

long-tailed object detection semi-supervised learning cascade network architecture pseudo-labeling-based detector adaptive pseudo-label mining

发现论文，激发创造

标签匹配半监督目标检测

本篇论文从分布级别和实例级别两个不同但互补的视角提出了一个简单而有效的 LabelMatch 框架，用于解决自我训练期间存在的标签不匹配问题，并通过 Proposal Self-assignment 机制确定准确的伪标签来促进学生和教师之间的匹配。在 MS-COCO 和 PASCAL-VOC 数据集上的实验结果表明，所提出的框架明显优于其他现有方法。

Jun, 2022

基于频率匹配的长尾语义分割

本文关注于长尾语义分割 (LTSS) 这一相对未经深入研究的任务设置，建立了三个代表性数据集，并提出了基于 Transformer 的改进算法，用于解决应用语义分割技术在自动驾驶和虚拟现实中遇到的长尾问题，并通过 LTSS 评估系统和基准进行性能展示，旨在推动对语义分割任务的实证研究。

Jun, 2024

S4OD: 单阶段目标检测的半监督学习

本文提出一种动态自适应阈值策略，同时考虑伪标签的质量和数量，并提出一种模块计算单级检测器的伪标签回归不确定性，仅使用来自 COCO 的 10％标记数据，我们的方法在基于锚点和无锚点的检测器（RetinaNet 和 FCOS）上实现了 35.0％AP 和 32.9％。

Apr, 2022

混合伪标签用于半监督目标检测

通过综合利用 Mixup、Mosaic 和有关实例重新采样有标签数据，本研究提出了 MixPL 方法改善伪标签方法在半监督目标检测任务中的局限性，尤其对小物体和尾部类别物体的伪标签检测，进一步提升了各种检测器的性能，创造了 Faster R-CNN、FCOS 和 DINO 在 COCO 标准和 COCO 完全数据集上的新的最优结果，且在大型模型上具有良好可扩展性，在没有额外注释的情况下，在 COCO val2017 数据集上取得了非平凡的新纪录（60.2% mAP）。

Dec, 2023

分类中的魔鬼：一种针对长尾物体检测和实例分割的简单框架

本文旨在研究并解决现有的目标检测和分割模型在长尾数据集上的失效问题，通过对现有的两阶段实例分割模型 Mask R-CNN 在最近的长尾 LVIS 数据集上的表现进行系统调研后，我们发现不准确的对象提案分类是其表现下降的主要原因，然后我们提出了一种用于改进长尾分类性能的简单校准框架，它可以更有效地减轻分类头偏差，并结合二级类平衡采样方法。在我们的实验中表现良好，提高了最近 LVIS 数据集和我们采样的 COCO-LT 数据集的尾部类别实例分割的准确性。

Jul, 2020

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

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

弱监督级联卷积网络

本研究提出了基于级联卷积神经网络的两种体系结构，旨在解决在没有昂贵人工注释下进行的弱监督下的目标检测问题，第一阶段从全卷积神经网络中提取类特定区域提议的最佳候选项，在三阶段体系结构中，中间阶段通过第一阶段的激活映射来提供物体分割。这些体系结构在弱监督目标检测，分类和定位领域的实验中表现出了改进。

Nov, 2016

半监督物体检测的提议学习

本文针对具有生物医学背景的图像分类问题，提出了基于遗传算法的医学图片特征选择模型，在多个数据集上均取得了优秀的分类效果。

Jan, 2020

FireMatch: 基于一致性和分布对齐的半监督视频火灾检测网络

基于半监督学习的火灾检测模型 FireMatch，结合了一致性正则化和对抗分布对齐，通过伪标签和视频增强等技术，扩展训练数据量，提高了分类性能和模型鲁棒性，实验结果表明该方法在真实火灾数据集上的准确率显著优于当前最先进的半监督分类方法。

Nov, 2023