基于梯度的采样方法用于类别不平衡的半监督目标检测

ICCVMar, 2024

基于梯度的采样方法用于类别不平衡的半监督目标检测

Gradient-based Sampling for Class Imbalanced Semi-supervised Object Detection

Jiaming Li, Xiangru Lin, Wei Zhang, Xiao Tan, Yingying Li...

TL;DR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。

Abstract

Current semi-supervised object detection (SSOD) algorithms typically assume class balanced datasets (PASCAL VOC etc.) or slightly class imbalanced datasets (MS-COCO, etc). This assumption can be easily violated since real world datasets can be extremely class imbalanced in nature, thus

semi-supervised object detection class imbalance problem gradient-based sampling framework confirmation biases class imbalanced object detectors

发现论文，激发创造

重访类别不平衡对于端到端半监督目标检测的影响

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

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

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

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

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

SOOD++：利用无标签数据提升有向物体检测

通过使用无标签数据提升目标检测器的半监督方法，我们提出了一种简单而有效的半监督定向目标检测方法 SOOD++，该方法在多方向对象和航拍图像方面获得了较好的结果。

Jul, 2024

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

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

SOOD：半监督定向物体检测

本文提出了一种新型的半监督定向目标检测模型，通过两种损失函数来提供更好的监督，实现对航空场景中定向目标检测的有效探索，超越了现有的半监督目标检测方法，并在 DOTA-v1.5 基准测试中达到了更好的效果。

Apr, 2023

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