半监督辅助目标检测如何通过自训练和数据增强显著提高检测精度？

本文共计1710个文字，预计阅读时间需要7分钟。

计算机视觉研究学院作者：Edison_G近年来，半监督学习（SSL）受到越来越多的关注。在没有大规模标注数据的情况下，SSL提供了使用未标记数据来提升模型性能的方法。

计算机视觉研究院专栏

作者：Edison_G

近年来，半监督学习（SSL）受到越来越多的关注。在当没有大规模注释数据时，SSL提供了使用unlabel data来改善模型性能的方法。

公众号ID｜ComputerVisionGzq

学习群｜扫码在主页获取加入方式

论文：

​​arxiv.org/pdf/2005.04757.pdf​​

1

简要

半监督学习 (SSL) 有可能提高使用未标记数据的机器学习模型的预测性能。尽管最近取得了显着进展，但SSL的演示范围主要是图像分类任务。

在今天分享中，有研究者提出了STAC，这是一种用于视觉目标检测的简单而有效的SSL框架以及数据增强策略。STAC从未标记的图像中部署本地化目标的高度可信的伪标签，并通过数据增强提升一致性来更新模型。