【CVPR 2022】半监督目标检测:Dense Learning based Semi-Supervised Object Detection

Dense Learning based Semi-Supervised Object Detection

  • 简介:
  • 论文介绍:
  • 具体实现:
    • 问题描述
    • 自适应过滤策略
    • MetaNet
    • 聚合教师
    • 不确定性一致性
  • 实验结果:
    • 对比试验
    • 消融实验

简介:

半监督目标检测(SSOD)旨在利用大量的未标记数据,促进目标检测器的训练和部署。虽然目前已经提出了各种基于自训练和基于一致性正则化的SSOD方法,但大多数都是基于锚框的检测器,而忽略了在许多现实应用中对无锚框检测器的要求更高的事实。

在本文中,作者打算弥补这一差距,并提出一种基于Dense Learning的无锚SSOD算法。

具体来说,作者引入了几个新技术,包括:1、自适应过滤(Adaptive Filtering)策略分配多层的准确的密集像素级伪标签;2、聚合教师(Aggregated Teacher)用于产生稳定和精确的伪标签;3、

你可能感兴趣的:(▶,深度学习-计算机视觉,目标检测,计算机视觉,人工智能,深度学习,半监督学习)