Dense Learning based Semi-Supervised Object Detection

摘要

1. 提出了一种基于密集学习(DSL)的无锚点的半监督目标检测算法
2. 用于分配多层级和精确的密集像素伪标签的自适应过滤器
3. 用于生成稳定和精确的伪标签的聚合教师模型
4. 以及用于提高检测器泛化能力的尺度和打乱的patch之间的不确定性一致性正则化项
   代码链接
   方法比较
   

本文方法

我们提出的基于密集学习(DSL)的SSOD方法的管道。训练数据包含有标签和无标签的图像。在每次训练迭代中，使用教师模型对弱增强无标签图像生成伪标签。
在无锚点检测器中，密度预测的每个空间位置都分配一个标签，模型性能对噪声伪标签敏感。为了解决这一问题，提出了一种自适应滤波策略，将伪标签分为背景、前景和可忽略区域三种类型。
此外，还存在一些假阳性案例，这些案例得分较高，但明显是错误的预测。因此，建议使用MetaNet来细化这些情况。为了提高模型的泛化能力，对未标记图像进行patch 打乱，并对不同尺度的图像进行一致性正则化。为了提高伪标签的稳定性和质量，教师模型由学生模型通过聚合来更新，称为聚合教师模型。在获得细粒度像素级伪标签后，可以通过最终损失Ls、Lu和Lscale的和对探测器进行优化。
aggregation mechanism
不仅EMA参数，还EMA layer


Uncertainty Consistency

可以看到，输入由一对图像组成:Strong & Patch Augmented image (Usp)和对应的down - sampling image (Ud)。在产生Ud时，下采样比设置为r = 2。通过patch shuffle增强，我们将图像沿水平或垂直方向随机裁剪成若干部分，然后对这些部分进行shuffle。两幅图像都将分别输入我们的检测器，生成不同级别的密集评分图。
损失函数如下：

Patch shuffle

感兴趣可以看原论文

实验结果