科研之友
微信
新浪微博
Facebook
分享链接
摘要
深度学习对大规模数据的需求以及目标检测标注任务的复杂性促进了半监督目标检测任务的发展。近年来，半监督目标检测已经取得了很多优秀的成果。然而，伪标签中的不确定性依然是半监督目标检测研究中难以避免的问题，优越的半监督方法要求选取合适的过滤阈值来权衡伪标签的噪声信息比例和召回率，以最大程度保留准确有效的伪标签。为了解决此问题，在半监督检测的框架中引入了序贯三支决策算法，将模型输出的伪标签根据不同的筛选阈值划分为干净的前景标签、有噪声的前景标签，以及干净的背景标签，并对其采取不同的处理策略。对有噪声的前景标签采用负类学习损失来学习这些存在噪声的标签，避免学习到其中的噪声信息。实验结果表明了所提算法的性能优势，针对COCO数据集，在有监督数据占比只有10%的情况下，该方法实现了35.2%的检测精度，相比仅依靠有监督训练性能提升了11.34%。
-
单位同济大学; 嵌入式系统与服务计算教育部重点实验室
