半监督目标检测中， Proposal Learning 论文有哪些具体应用案例？

本文共计1214个文字，预计阅读时间需要5分钟。

春暖花开+公众号ID：ComputerVisionGzq+摘要：本次分享的半监督目标检测研究，通过对比有标签和无标签数据训练，提升了基于选择的检测器（即two-stages目标检测器）的检测精度。

春暖

花开

公众号ID｜ComputerVisionGzq

概要

这次分享的以半监督目标检测为研究对象，通过对有标签和无标签数据的训练，提高了基于候选的目标检测器（即two-stages目标检测器）的检测精度。然而，由于真值标签的不可用性，在未标记的数据上训练目标检测器是非常重要的。

为了解决这个问题，于是就提出了一个 proposal learning方法从标记和未标记的数据中学习候选的特征和预测。该方法由自监督候选学习模块和基于一致性的候选学习模块组成。在自监督候选学习模块中，分别提出了一个候选位置损失和一个对比损失来学习上下文感知和噪声鲁棒的候选特征；在基于一致性的候选学习模块中，将一致性损失应用于候选的边界框分类和回归预测，以学习噪声稳健的候选特征和预测。

最后，在COCO数据集上对所有可用的有标签和无标签数据进行了实验。结果表明，新方法一致地提高了全监督基线的精度。特别是在结合了数据蒸馏之后，新方法与全监督基线和数据蒸馏基线相比，平均提高AP约2.0%和0.9%。

新框架

Problem Definition

在半监督目标检测（ Semi-Supervised Object Detection (SSOD)）中，一组标记数据D_l={（I，G）}和一组给出了未标记数据的D_u={I}，其中I和G分别表示图像和真值标签。