重访类别不平衡对于端到端半监督目标检测的影响

CVPRJun, 2023

重访类别不平衡对于端到端半监督目标检测的影响

Revisiting Class Imbalance for End-to-end Semi-Supervised Object Detection

Purbayan Kar, Vishal Chudasama, Naoyuki Onoe, Pankaj Wasnik

TL;DR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。

Abstract

semi-supervised object detection (SSOD) has made significant progress with the development of pseudo-label-based end-to-end methods. However, many of these methods face challenges due to class imbalance, which hinders the effectiveness of the →

semi-supervised object detection pseudo-label generator label generation quality adaptive thresholding mechanism jitter-bagging module

发现论文，激发创造

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

基于梯度的采样方法用于类别不平衡的半监督目标检测

当前半监督目标检测算法通常假设类别平衡的数据集（如 PASCAL VOC 等）或类别稍不平衡的数据集（如 MS-COCO 等），然而真实世界的数据集往往具有极度的类别不平衡性，从而使半监督目标检测器的性能远远不令人满意。为了弥补这一研究空白，我们全面研究了半监督目标检测中类别不平衡问题的更具挑战性的场景，形成了第一个实验设置用于类别不平衡的半监督目标检测（CI-SSOD）。此外，我们提出了一个简单但有效的基于梯度的采样框架，从两个类型的确认偏差的角度解决了类别不平衡问题。实验结果表明，我们的方法在三个提出的子任务上，即 MS-COCO、MS-COCO 到 Object365 和 LVIS 上，均明显优于当前的类别不平衡目标检测器，为未来 CI-SSOD 研究提供了基准。

Mar, 2024

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

半监督式目标检测：近期研究和发展综述

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

自适应类别重平衡半监督目标检测自训练

本文研究了半监督目标检测（SSOD）以提高检测器性能，通过自训练和数据重平衡缓解了 SSOD 中的类别不平衡问题，利用单个百分点标注数据在 MS-COCO 数据集上获得了显著的性能改进。

Jul, 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

重新思考半监督目标检测对于航空影像中的尺度不平衡

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

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

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

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