半监督目标检测

最新推荐文章于 2024-11-16 17:02:07 发布
原创 最新推荐文章于 2024-11-16 17:02:07 发布 · 1.1k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#目标检测 #深度学习 #计算机视觉

文章介绍了半监督目标检测的不同方法，包括一致性学习和伪标签策略。这些方法利用少量带标签数据和大量无标签数据，通过教师网络生成伪标签或计算无标签数据的一致性损失来提升模型性能。还提到了一些具体的工作，如Instant-Teaching和SoftTeacher，它们通过不断更新教师网络和使用软标签来优化学习过程。此外，文章还探讨了开放世界目标检测的挑战和解决方案，如通过聚类和能量模型识别未知类。

在这里插入图片描述

  • 有监督目标检测： 拥有大规模带标签的数据，包括完整的实例级别的标注，即包含坐标和类别信息；
  • 弱监督目标检测： 数据集中的标注仅包含类别信息，不包含坐标信息，如图一 b 所示；
  • 弱半监督目标检测： 数据集中拥有部分实例级别的标注，大量弱标注数据，模型希望利用大规模的弱标注数据提升模型的检测能力；
  • 半监督目标检测： 数据集中拥有部分实例级别的标注，大量未标注数据，模型希望利用大规模的无标注的数据提升模型的检测能力；

半监督目标检测

  1. 一致性学习（Consistency based Learning）
  2. 伪标签（Pseudo-label based Learning）
    https://paperswithcode.com/task/semi-supervised-object-detection

一致性学习

论文： Consistency-based Semi-supervised Learning for Object Detection (https://papers.nips.cc/paper/2019/hash/d0f4dae80c3d0277922f8371d5827292-Abstract.html)
代码：https://github.com/soo89/CSD-SSD (pytorch)
概要：
在这里插入图片描述
CSD训练的损失函数主要包括两个部分，labeled sample 的监督损失和 unlabeled samples 的 Consi

最低0.47元/天 解锁文章
【CVPR 2022】半监督目标检测：Dense Learning based Semi-Supervised Object Detection
梁瑛平的博客
07-04 2522
本文提出了一种用于无锚框SSOD的半监督学习算法。具体来说，为了对密集学习进行仔细的标签指导，本文首先提出了一种自适应过滤（AF）策略，从而将伪标签划分为三个细粒度的部分，包括背景、前景和可忽略区域。然后使用 MetaNet 对这些伪标签进行细化，以消除分类伪正样本...
半监督目标检测（一）
wutongxdf的博客
11-07 2536
总结一些阅读过的半监督目标检测论文：A Simple Semi-Supervised Learning Framework for Object Detection / Rethinking Pseudo Labels for Semi-Supervised Object Detection
总结 | 半监督目标检测
小白学视觉
10-30 1179
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达近期阅读了一些半监督目标检测（Semi-Supervised Object Detection，SSOD）的文章，特此总结，以供未来查阅。什么是半监督目标检测？传统机器学习根据训练数据集中的标注情况，有着不同的场景，主要包括：监督学习、弱监督学习、弱半监督学习、半监督学习。由于目标检测任务的特殊性，在介绍半监督目标检测方法之前，...
【论文笔记】半监督目标检测（Semi-Supervised Object Detection，SSOD）
m0_61899108的博客
02-16 6664
前言 本文转载于半监督目标检测（Semi-Supervised Object Detection，SSOD）相关方法介绍 - 知乎 本文结合相关论文介绍了一些半监督目标检测（Semi-Supervised Object Detection，SSOD）算法，即如何利用大量的 unlabeled data 提升模型的检测性能。 什么是半监督目标检测？ 传统机器学习根据训练数据集中的标注情况，有着不同的场景，主要包括：监督学习、弱监督学习、弱半监督学习、半监督学习。由于目标检测任务的特殊性，在介绍半监
半监督目标检测（五）
wutongxdf的博客
12-01 1287
Semi-supervised Object Detection via Virtual Category Learning
探索半监督学习的力量：半监督目标检测全解析
2401_85761762的博客
07-21 1723
半监督目标检测是一种结合了监督学习和无监督学习的目标检测方法。它利用少量的标注数据和大量的未标注数据，通过学习图像中的模式和结构，提升目标检测的准确性和鲁棒性。半监督目标检测作为一种有效的目标检测方法，通过结合标注数据和未标注数据，减少了对标注数据的依赖，提升了模型的泛化能力。本文详细介绍了半监督目标检测的基本原理、方法和应用，希望能够帮助读者更好地理解和应用这一技术。
弱监督目标检测与半监督目标检测
qq_40373651的博客
01-09 8052
一、监督学习分类 根据数据集的标注情况，分为：监督学习、弱监督学习、弱半监督学习和半监督学习。 监督学习：数据集为带实例级标注的标签，包含坐标和类别信息 弱监督学习：数据集仅带有数据类别的标签，不包含坐标信息 弱半监督学习：数据集中包含少量实例级标注图像，大量数据分类级标注图像，模型期望通过大规模的弱标注数据提升模型的检测能力。 半监督学习：数据集中包含少量实例级标注图像，大量未标注图像，模型期望通过大规模的未标注数据提升模型的检测能力。 二、弱监督目标检测（Weakly Supervise
半监督目标检测（四）
wutongxdf的博客
11-24 2456
Dense Learning based Semi-Supervised Object Detection / Dense Teacher: Dense Pseudo-Labels for Semi-supervised Object Detection
半监督目标检测（二）
wutongxdf的博客
11-11 2178
Humble Teachers Teach Better Students for Semi-Supervised Object Detection / Instant-Teaching: An End-to-End Semi-Supervised Object Detection Framework
(2021 ICCV)SoftTeacher:End-to-End Semi-Supervised Object Detection with Soft Teacher
Closure
05-26 836
论文地址： https://arxiv.org/abs/2106.09018 代码地址： https://github.com/microsoft/SoftTeacher https://jishuin.proginn.com/p/763bfbd6d2b5 教师模型和学生模型是两个完全相同的结构，因为要进行 EMA 更新，两者都是带有预训练的随机初始化 有标签图片采用常规的 pipeline 流程，利用学生模型进行预测，计算得到有标签的 loss，包括分类和回归分支 loss 参考 FixMatch 做
Consistent Teacher：一种简单有效的半监督目标检测器
weixin_51697828的博客
10-07 1090
本文系统地研究了半监督目标检测中的三种不一致问题，即匹配不一致、分类-回归子任务不一致和时间不一致。为了缓解上述挑战，我们提出了一种简单有效的半监督目标检测器，称为Consistent-Teacher。我们引入了Consistentanchorassignment和FAM方法，使分类和回归任务保持一致。我们利用高斯混合模型(GMM)动态调整自训练阈值，以解决时间不一致的问题。Consistent-Teacher为一系列SSOD评估提供了新的强大基线。
半监督目标检测yolo+FixMatch
weixin_38640670的博客
05-19 2421
目前实验发票印章检测，只需1张训练集即可达到0.921（mAP.5），如果用31张训练集可达到0.952（mAP.5），无标签数据均使用600张。 待填坑，敬请期待……
机器学习笔记（24）一种简单的半监督目标检测框架（1）
qq_37662375的博客
11-12 5062
在第一阶段，使用所有标记的数据训练一个目标检测器(例如，Faster RCNN)直到收敛。然后使用训练过的检测器预测未标记图像的边界框和类标签(也就是生成初步的伪标签的过程)，如图所示。然后，受FixMatch设计的启发，对每个高阈值的预测框(经过NMS)进行基于置信度的滤波，获得高精度的伪标签。第二阶段对每幅未标记图像进行强数据增强，利用第一阶段生成的标记数据训练出的模型和未标记数据及其伪标签进行训练。受RandAugment及其对SSL和目标检测的成功适应的鼓舞，我们设计了目标检测的增强策略，其中包括全
半监督目标检测综述Semi-supervised Object Detection: A Survey on Recent Research and Progress
最新发布
2301_80327577的博客
11-16 1913
半监督目标检测（SSOD）因其较高的研究价值和实用性而受到越来越多的关注。它旨在通过使用少量标记数据和大量未标记数据来学习信息。半监督学习是一种将监督学习与无监督学习相结合的学习方法，关注的是如何在训练过程中合理使用有标记和未标记的样本。它通过应用一些假设来建立预测样本与学习目标之间的关系
Consistent-Teacher：半监督目标检测超强SOTA
gzq0723的博客
07-11 354
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式论文地址：https://arxiv.org/abs/2209.01589计算机视觉研究院专栏作者：Edison_G《Consistent-Teacher: Towards Reducing Inconsistent Pseudo-targets in Semi-supervised O...
【ICLR 2021】半监督目标检测：Unbiased Teacher For Semi-Supervised Object Detection
梁瑛平的博客
06-27 1598
半监督学习，即同时使用有标记和未标记数据的训练网络，最近取得了重大进展。 然而，现有的工作主要集中在图像分类任务上，而忽略了目标检测。 因此在这项工作中，作者重新讨论了半监督对象检测（SSOD），并确定了SSOD中的伪标记偏差问题。为了解决这个问题，作者引入了无偏见教师模型（Unbiased Teacher），这是一种简单而有效的方法，以互惠互利的方式共同训练学生模型和逐步进步的教师模型。...
【半监督学习】2、Soft Teacher | 端到端半监督目标检测器
呆呆的猫的博客
03-15 3425
本文主要介绍 ICCV2021 的半监督目标检测方法 Soft Teacher
【半监督学习】5、Efficient Teacher | 专为 one-stage anchor-based 方法设计的半监督目标检测方法
呆呆的猫的博客
03-19 9966
本文主要介绍半监督目标检测方法 Efficient Teacher
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值