利用低置信度伪标签进行无源目标检测

Oct, 2023

利用低置信度伪标签进行无源目标检测

Exploiting Low-confidence Pseudo-labels for Source-free Object Detection

Zhihong Chen, Zilei Wang, Yixin Zhang

TL;DR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。

Abstract

source-free object detection (SFOD) aims to adapt a source-trained detector to an unlabeled target domain without access to the labeled source data. Current SFOD methods utilize a threshold-based pseudo-label approach in the adaptation phase, which is typically limited to high-confiden

source-free object detection pseudo-labels low-confidence proposal soft training local spatial contrastive learning

发现论文，激发创造

无源目标检测的对抗性对齐

本文提出了一种基于生成伪标签和对抗学习技术的无源目标检测方法，将目标域划分为相似子集和不相似子集，并通过平均教师框架中的对抗模块来提高伪标签的质量，实验表明该方法在跨域目标检测方面表现优异。

Jan, 2023

半监督物体检测中的低置信度样本挖掘

该论文提出了一种新颖的低置信度样本挖掘方法（Low-Confidence Samples Mining，LSM），该方法能够有效地利用低置信度的伪标签实现半监督目标检测（SSOD），并通过自蒸馏的方法弥补两者的不足，该方法在 5% 标注比率下，相对于最先进的方法，在 MS-COCO 基准测试中提高了 3.54％的 mAP。

Jun, 2023

CLIP 引导的无源目标检测在航空图像中

我们提出了一种新颖的无源物体检测（SFOD）方法，利用对比式语言 - 图像预训练（CLIP）引导生成伪标签进行自我训练，以实现在领域适应中的准确学习。实验结果表明，我们的方法优于其他比较算法。

Jan, 2024

标记、验证、纠正：一种简单的少样本目标检测方法

该论文介绍了一种用于少量数据情况下目标检测的伪标注方法，可以从训练数据中找到高质量伪标注，显著增加训练实例数量，降低类别不平衡问题，通过验证技术和训练一个专门的模型来纠正盒子边框的质量，其中展示了算法在 PASCAL VOC 和 MS-COCO 数据集上的表现，与现有方法相比获得了最优状态或次优状态。

Dec, 2021

无监督域自适应目标检测的免费午餐：无需源数据

通过建模到一个噪声标签学习问题的框架，我们提出了一种用于无需访问标签源数据的领域自适应目标检测的方法，同时还提出了一个用于生成可靠伪标签的自熵下降度量标准，并通过仿真虚假负样本进行性能的提升

Dec, 2020

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

无源领域自适应遥感图像物体检测

该研究提出了一种针对遥感图像的实际无源目标检测方法，通过扰动域生成和多层次对齐实现目标域适应，验证了该方法的有效性，并表明该方法可以扩展到其他领域。

Jan, 2024

改进开放词汇目标检测的伪标签

通过在线自训练和分割融合头以减少预训练视觉语言模型生成的噪声伪标签并提高开放词汇目标检测性能。

Aug, 2023

PseCo: 半监督目标检测的伪标注和一致性训练

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

遥感中的小样本目标检测：解除不完全注释的新颖目标的诅咒

提出了一种基于自我训练的少样本目标检测 (ST-FSOD) 方法，通过引入自我训练机制和学生 - 教师机制，在少样本细调过程中发现未标注的新对象，并在训练过程中考虑它们。实验结果表明，该方法在各种少样本目标检测设置中优于现有技术。

Sep, 2023