TCSVT 2024 | 基于自适应伪标签的半监督少样本目标检测

主要观点总结

本文介绍了一篇关于半监督少样本目标检测的论文，该论文提出了一种新的方法，通过自适应伪标签、类别自适应阈值过滤、标签融合和注意力模块等技术，在合成和真实世界数据集上实现了具有竞争力的恢复质量。论文还包括对方法、实验验证等部分的详细介绍。

关键观点总结

关键观点1: 论文的主要内容和创新点

论文提出了一种新的半监督少样本目标检测方法，利用教师模型和预训练的少样本目标检测器，通过自适应伪标签引导学生模型的学习。设计了类别自适应阈值过滤策略，为新类别提供合适的阈值，解决伪标签的类别不平衡问题。此外，将预训练的检测器和教师模型分别与初步CATF和深度CATF相关联，然后融合双流CATF的伪标签以提供监督。通过这种方式，利用了这两个模型的知识，提高了伪标签的质量。

关键观点2: 类别自适应阈值过滤策略

该策略针对伪标签的类别不平衡问题，通过分位数统计为不同新类别自适应地分配阈值。策略可以根据每个类别的伪标签置信度得分分布，为它们分别设置合适的阈值，以过滤掉噪声伪标签。

关键观点3: 标签融合方法

为了提高教师模型的适应性，更好地监督学生模型，采用了标签融合方法。将预训练的TFA模型和教师模型提供的伪标签进行融合，经过CATF过滤和非极大值抑制操作后，得到高质量的伪标签，以监督学生模型的训练。

关键观点4: 实验验证

论文通过实验验证了所提出方法的有效性。在PASCAL VOC和MS COCO数据集上的实验结果表明，该方法能够利用半监督少样本目标检测模型在合成和真实世界数据集上实现具有竞争力的恢复质量。

免责声明