Instant-Teaching论文分享PPT

基于监督学习的目标检测框架需要大量繁琐的手工标注，这在实际应用中可能不实用。半监督目标检测(Semi-supervised object detection, SSOD)可以有效地利用未标记数据来提高模型的性能，这对于目标检测模型的应用具有重要意义。在本文中，我们重新审视了SSOD，并提出了一个完整的端到端有效的SSOD框架InstantTeaching，该框架在每次训练迭代中使用扩展的弱-强数据增强即时伪标记进行教学。为了缓解确认偏差问题，提高伪标注的质量，我们进一步提出了一种基于instantteach的协同校正方案，记作instantteach∗。在MS-COCO和PASCAL VOC数据集上的大量实验证实了该框架的优越性。具体来说，当使用2%的标记数据时，我们的方法在MS-COCO上超过了最先进的方法4.2 mAP。即使有MS-COCO的完整监督信息，所提出的方法仍然比最先进的方法高出约1.0 mAP。在PASCAL VOC上，我们使用VOC07作为标记数据，VOC12作为未标记数据，可以实现5个以上的mAP改进。