利用主动教学提升遥感图像中的半监督目标检测

Feb, 2024

利用主动教学提升遥感图像中的半监督目标检测

Boosting Semi-Supervised Object Detection in Remote Sensing Images With Active Teaching

Boxuan Zhang, Zengmao Wang, Bo Du

TL;DR我们提出了一种利用师生网络 (SSOD-AT) 来增强遥感图像半监督目标检测 (SSOD) 的新型主动学习 (AL) 方法，该方法利用 RoI 比较模块 (RoICM) 生成高置信度伪标签，同时使用 RoICM 识别不确定度前 K 个图像，并引入多样性准则来减少人工标注中的冗余。实验证明，我们的方法在遥感图像中的目标检测方面优于现有方法。

Abstract

The lack of object-level annotations poses a significant challenge for object detection in remote sensing images (RSIs). To address this issue, active learning (AL) and semi-supervised learning (SSL) techniques h

object detection remote sensing images active learning semi-supervised learning teacher-student network

发现论文，激发创造

半监督遥感图像目标检测中的非策划未标记数据

我们在遥感图像目标检测中探讨了一种在未筛选的未标记数据上进行半监督学习的方法，该方法使用标记的分布数据动态构建类别特征库，并通过与特征库中的条目进行比较计算 OOD 分数，有效过滤 OOD 样本。通过在 DIOR 和 DOTA 两个广泛使用的遥感目标检测数据集上进行的实验，我们证明了我们提出的方法在 RSIs 中实现开放集半监督目标检测方面具有卓越的性能和效果。

Oct, 2023

半监督对象检测的主动教师

本文研究了教师 - 学生学习的数据初始化问题，并提出了一种称为 Active Teacher 的新算法，用于半监督目标检测。Active Teacher 可以最大限度地利用有限的标签信息来提高半监督的性能。我们在 MS-COCO 基准测试上进行了大量实验，并将 Active Teacher 与一组最近提出的半监督目标检测方法进行了比较，结果表明 Active Teacher 具有较高的性能，并能够在大大减少标签预算的情况下实现完全监督性能，这对于实际应用的数据注释提供了有用的经验知识。

Mar, 2023

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

人机合作：自监督样本挖掘的目标检测

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

具有熟练教师的半监督三维目标检测

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

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

协作智能编排：基于不一致融合的半监督学习和主动学习

该研究提出了一种名为 IDEAL 的算法，采用不一致性为基础的虚拟对抗积极学习方法来探索半监督学习和积极学习的潜在优势，通过数据采样和增强策略来评估未标记样本的不一致性并取得了良好的实验效果。

Jun, 2022

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

遥感图像中的弱半监督目标检测

利用弱监督的深度学习模型和少量边界框标记图像，可以在遥感图像中检测物体，从而减少对边界框标记的依赖，提高模型性能。

Nov, 2023

通过对比学习和不确定性估计增强 Sentinel 2 影像的主动学习

介绍了一种新颖方法，通过将半监督学习与主动学习策略相结合，提高了卫星图像分析的标签效率；采用对比学习和蒙特卡洛失活来估计不确定性，在 Sentinel-2 卫星图像上使用 Eurosat 数据集进行了分析，结果显示在不平衡类别情况下，该方法优于随机选择方法，在保持高分类准确性的同时显著减少了标注工作量，此方法有潜力促进可扩展和具有成本效益的卫星图像分析，对环境监测和土地利用分类任务尤为有优势。

May, 2024