密集学习的半监督目标检测
Dense Learning based Semi-Supervised Object Detection
摘要
- 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
- 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
- 用于生成稳定和精确的伪标签的聚合教师模型
- 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
这篇好文章是转载于:学新通技术网
- 版权申明: 本站部分内容来自互联网,仅供学习及演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,请提供相关证据及您的身份证明,我们将在收到邮件后48小时内删除。
- 本站站名: 学新通技术网
- 本文地址: /boutique/detail/tanhgcfecf
系列文章
更多
同类精品
更多
-
photoshop保存的图片太大微信发不了怎么办
PHP中文网 06-15 -
Android 11 保存文件到外部存储,并分享文件
Luke 10-12 -
《学习通》视频自动暂停处理方法
HelloWorld317 07-05 -
word里面弄一个表格后上面的标题会跑到下面怎么办
PHP中文网 06-20 -
photoshop扩展功能面板显示灰色怎么办
PHP中文网 06-14 -
微信公众号没有声音提示怎么办
PHP中文网 03-31 -
excel下划线不显示怎么办
PHP中文网 06-23 -
excel打印预览压线压字怎么办
PHP中文网 06-22 -
怎样阻止微信小程序自动打开
PHP中文网 06-13 -
TikTok加速器哪个好免费的TK加速器推荐
TK小达人 10-01