Dec, 2023

混合伪标签用于半监督目标检测

PDF
TL;DR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）。
发现论文，激发创造
  • 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

  • MixTeacher: 混合尺度教师筛选有希望标签的半监督目标检测方法

    该研究提出了一种新的半监督目标检测框架，使用混合尺度 teacher 生成伪标签并实现尺度不变学习，同时提出使用跨尺度预测分数提升来挖掘伪标签，实验证明该方法在不同半监督场景下达到了新的 state-of-the-art 表现。

    Mar, 2023

  • 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

  • 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

  • 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

  • 级联匹配半监督长尾目标检测

    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。

    May, 2023

  • 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

  • LossMix: 简化和泛化 Mixup 以用于目标检测和更多领域

    该研究提出了一种新的概念框架 —— 监督插值，通过松弛和概括 Mixup，可以有效地规范混合数据的训练，进而提出了一种名为 LossMix 的简单却灵活且有效的正则化方法，并设计了一种两阶段的域混合方法，借助 LossMix 超越了 Adaptive Teacher，并在无监督领域适应中有了新的突破。

    Mar, 2023

  • 一种通道集合方法：无偏差和低方差的伪标签对半监督分类至关重要

    我们提出了一种轻量级通道级集成方法，用于将多个次优的伪标签有效地合并为理论上保证的无偏差和低方差的伪标签，该方法可轻松扩展到任何半监督学习框架，并在 CIFAR10/100 上显著优于现有技术，无论是在效果上还是效率上。

    Mar, 2024

  • VLM-PL：基于视觉 - 语言模型的高级伪标签方法的类别增量对象检测

    在 Class Incremental Object Detection（CIOD）领域，解决模型如何像人类一样持续学习的问题是一个重大挑战。为了克服传统的伪标签方法在多场景增量学习中遗忘过去知识的问题，该研究介绍了一种名为 Vision-Language Model assisted Pseudo-Labeling（VLM-PL）的新方法。通过将图像和文本特征组合设计的提示模板生成自定义查询，借助视觉 - 语言模型（VLM），VLM-PL 技术能够验证伪标签的正确性，而无需额外的模型训练。通过将精细化的伪标签和真实标签整合，并结合新旧知识，VLM-PL 在 Pascal VOC 和 MS COCO 数据集上进行了广泛实验，不仅在多场景问题上表现出色，还在双场景问题上取得了最先进的结果。

    Mar, 2024