半监督物体检测中的低置信度样本挖掘
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
该论文提出了一种基于自监督样本挖掘(SSM)过程的主动学习(AL)框架,针对目标检测中的真实挑战,通过自动发现和伪标记可靠的区域提案来增强目标检测器,逐步将未标注或部分标注的数据纳入模型学习中,同时最大限度地减少用户的注释工作。对两个公共基准的广泛实验清楚地表明,该框架可以实现与最先进方法可比较的性能,并显著减少注释次数。
Mar, 2018
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
我们提出了一种新的方法来充分利用伪标签,通过引入高和低置信度阈值,使用 Proposal Soft Training (PST) 和 Local Spatial Contrastive Learning (LSCL) 模块来利用低置信度的伪标签,进一步优化了代表性特征。实验证明,我们的方法在五个跨领域目标检测基准上表现优于以前的 Source-free object detection (SFOD) 方法,实现了最先进的性能。
Oct, 2023
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
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
提出了一种对抗 Selection ambiguity 和 Assignment ambiguity 的 Ambiguity-Resistant Semi-supervised Learning (ARSL) 方法,使用 Joint-Confidence Estimation 和 Task-Separation Assignment 等技术来提高 Semi-Supervised 目标检测的性能,实验表明该方法取得了最先进的性能。
Mar, 2023
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
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
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