(2021 ICLR) Unbiased Teacher for Semi-Supervised Object Detection

最新推荐文章于 2024-08-12 18:41:03 发布
最新推荐文章于 2024-08-12 18:41:03 发布
阅读量889 收藏 1
点赞数
分类专栏： 目标检测 文章标签： 目标检测 计算机视觉 深度学习
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。
本文链接：https://blog.csdn.net/chaokudeztt/article/details/124985774
版权

目标检测中存在前景背景不平衡和前景之间类不平衡，这些不平衡导致半监督训练中产生有偏差的预测。伪标签作为图像分类半监督中最有效的方法之一，在目标检测中因为倾向置信度高的类别和区域导致产生偏差。将偏差伪标签加入训练会加重类不平衡问题和产生过拟合
在这里插入图片描述

unbiased teacher：联合训练teacher和student模型，teacher模型产生伪标签用于训练student，student模型经EMA更新teacher。
（1）利用伪标签训练RPN和ROIhead，从而缓解RPN和ROIhead的过拟合问题。
（2）利用teacher-student模型，防止了噪声伪标签带来的不利影响
（3）采用EMA训练和Focal loss，解决了类不平衡导致的伪标签偏差问题并且提高了伪标签的质量。

July_zh
关注
专栏目录
【ICLR 2021】半监督目标检测：Unbiased Teacher For Semi-Supervised Object Detection
梁瑛平的博客
06-27 1323
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。...
Unbiased Teacher for Semi-supervised Object Detection论文笔记
lxbblxbb的博客
09-09 715
这里写自定义目录标题Unbiased Teacher for Semi-supervised Object Detection论文笔记贡献背景介绍相关工作Unbiased Teacher Unbiased Teacher for Semi-supervised Object Detection论文笔记 记录以下论文实验细节与核心点。 贡献 （1）提出一个联合学生模型以及逐渐进步的教师模型半监督检测框架。 （2）应用EMA和Focal loss来降低由伪标签数据产生的偏差问题。 背景介绍 目标检测任务天然就存
论文阅读笔记：Efficient Teacher: Semi-Supervised Object Detection for YOLOv5
最新发布
HollowKnightz的博客
08-12 897
论文阅读笔记：Efficient Teacher: Semi-Supervised Object Detection for YOLOv5
《Unbiased Teacher for Semi-Supervised Object Detection》2021-ICLR 论文阅读
李加贝的博客
10-08 709
动机 由于目标检测任务中，存在foreground-background imbalance和foreground classes imbalance的问题，为了解决这个问题，作者提出了Unbiased Teacher，训练一个学生模型，并逐步的提升老师模型，彼此互相促进 Method the BurnIn stage 使用label data来训练detector，用来初始化detector the Teacher-Student Mutual Learning stage 复制.
Unbiased Teacher for Semi-Supervised Object Detection论文解读
qq_38109843的博客
02-22 3202
论文：https://openreview.net/forum?id=MJIve1zgR_ 代码：https://github.com/facebookresearch/unbiased-teacher 本文主要和主流的STAC自训练框架相比，可以先了解一下STAC STAC 论文：https://arxiv.org/pdf/2005.04757.pdf 代码：https://github.com/google-research/ssl_detection 解读：https://www.cnblogs.co
Unbiased Teacher v2: Semi-supervised Object Detection for Anchor-free and Anchor-based Detectors
weixin_36670529的博客
05-24 486
摘要 随着最近半监督目标检测（SS-OD）技术的发展，目标检测器可以通过使用有限的标记数据和丰富的未标记数据来改进。然而，仍有两个挑战没有解决：（1）在无锚检测器上没有先期的SS-OD工作，（2）在伪标签边界框回归时，先期工作是无效的。在本文中，我们提出了Unbiased Teacher v2，它显示了SS-OD方法在无锚检测器上的通用性，同时也为无监督回归损失引入了Listen2Student机制。特别是，我们首先提出了一项研究，检查现有的SS-OD方法在无锚检测器上的有效性，发现它们在半监督环境下取得
DEEP SEMI-SUPERVISED ANOMALY DETECTION
06-02
标题“DEEP SEMI-SUPERVISED ANOMALY DETECTION”指的是深度半监督异常检测方法，这是一类通过利用大量未标注样本以及少量已标注样本，来训练能够识别数据中异常情况的模型。该技术在机器学习、特别是在计算机视觉...
[论文笔记] [2017] [ICLR] Semi-Supervised Classification with Graph Convolutional Networks
Alexzhuan
06-21 724
这是Kipf博士期间发表在ICLR’17的一篇论文，在GCN的相关工作中很具影响力，目前被引了3k多次。它的主要贡献在于对 [1] 中的Chebyshev多项式做了一阶估计，提出了一个简单但有效的 propagation rule（GCN层），并且在 graph-based semi-supervised learning 任务上有不错的表现。 Graph-based semi-supervised learning 在图上节点分类问题上（只有一部分节点有label），经典的方法主要有两类：加入图拉普拉斯正
【文献阅读】SSD: A Unified Framework for Self-Supervised Outlier Detection (ICLR2021)
Q7777727的博客
04-11 629
择情阅读：SSD: A Unified Framework for Self-Supervised Outlier Detection (ICLR2021) 文章目录择情阅读：SSD: A Unified Framework for Self-Supervised Outlier Detection (ICLR2021)一、摘要二、Introduction核心问题:两个key：两个extension：主要贡献：三、SSD1、背景：Contrastive self-supervised represent
论文阅读笔记 [ICLR 2018] Meta-Learning For Semi-Supervised Few-Shot classification
jieming2002的博客
09-11 603
半监督小样本分类的元学习 论文原文链接：https://arxiv.org/abs/1803.00676 摘要 在小样本分类中，人们感兴趣的学习算法是，仅根据少量带标记样例训练分类器的算法。元学习是近年来小样本分类研究的一大特色，元学习定义了一个学习算法的参数化模型，并在代表不同分类问题的片段上进行训练，每个片段都有一个小的带标记训练集和相应的测试集。本文中，作者将这种小样本分类模式推进到一个新场景中，在这个新场景中，每个片段也可以使用未标记的样例。作者考虑了两种情况：第一种情况是，假设所有未标记样例都与本
(2022 CVPR) Unbiased Teacher v2
Closure
08-31 1487
然而，由于训练中使用的标签数量有限，centerness score不能可靠地反映预测是否为前景实例，因为centerness分支中没有监督来抑制background instance的centerness score，因此centerness高的instance有可能是背景，在半监督训练中加入这些假阳性伪框会降低伪标记的有效性，并加剧Centerness bias问题。我们提出利用教师和学生之间的相对不确定性来选择boundary level的伪标签，其中教师的不确定性比学生的低。...
【unbiased teacher for semi-supervised object detection复现】
weixin_44401589的博客
01-30 1167
unbiased teacher for semi-supervised object detection配torch和detectron2环境以及复现代码解决bug
探索无偏教师（Unbiased Teacher）: 深度学习模型公平性的新里程碑
gitblog_00057的博客
04-20 468
探索无偏教师（Unbiased Teacher）: 深度学习模型公平性的新里程碑 unbiased-teacher PyTorch code for ICLR 2021 paper Unbiased Teacher for Semi-Supervised Object Detection ...
（1）D2系：半监督目标检测训练自己的数据集unbiased-teacher
zhang2h的博客
01-03 2302
相关：最近再做半监督目标检测的课题，记录一下当前一些算法的复现，目前仅复现了D2系的unbiased-teacher 和改进版mix-unmix算法，mmcv系的soft teacher ，pseco和Instant-teacher。后续复现成功后会有补充。文中的方式是基于ubuntu 系统的conda安装的COCO数据集格式。
Efficient Teacher: Semi-Supervised Object Detection for YOLOv5
qq_55879284的博客
06-25 1094
Abstract 半监督目标检测（SSOD）已经成功地提高了R-CNN系列和无锚定检测器的性能。然而，单级锚固检测器缺乏生成高质量或灵活的伪标签的结构，导致SSOD存在严重的不一致性问题。在本文中，我们提出了可扩展和有效的基于锚的SSOD训练的高效教师框架，包括密集检测器、伪标签分配器和Epoch适配器。密集检测器是一个基线模型，它利用受YOLOv5启发的密集采样技术扩展了视网膜网。高效教师框架引入了一种新的伪标签分配机制，即伪标签分配器，它更精细地使用了从密集检测器中获得的伪标签。Epoch适配器是一
【深度学习】半监督学习 Efficient Teacher: Semi-Supervised Object Detection for YOLOv5
q742971636的博客
08-25 2097
半监督目标检测（SSOD）在改善R-CNN系列和无锚点检测器的性能方面取得了成功。然而，一阶段基于锚点的检测器缺乏生成高质量或灵活伪标签的结构，导致SSOD存在严重的一致性问题。本文提出了Efficient Teacher框架，用于可扩展和有效的一阶段基于锚点的SSOD训练，包括Dense Detector（密集检测器）、Pseudo Label Assigner（伪标签分配器）和Epoch Adaptor（时代适配器）。
【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 7302
本文主要介绍半监督目标检测方法 Efficient Teacher
2021SC@SDUSC山东大学软件学院软件工程应用与实践--YOLOV5代码分析（六）yolov1
xjunjin的博客
10-20 833
2021SC@SDUSC 前言 为了更好地理解yolov5的算法，我会在对代码分析的中间穿插yolo其它系列的算法分析，这篇是对yolov1的介绍。之前的文章提到了滑动窗口来进行目标检测，然而存在着一定的问题：检测效果与时间耗费上的tradeoff。yolo算法，即you only look once，解决了这个问题。yolo算法是一种实时的目标检测算法，一个特点就是实现端到端的检测。相对于其它目标检测与识别方法，yolo将目标区域预测和目标类别预测整合于单个神经网络模型中，更适合应用环境。 实现
adaptive universal generalized pagerank graph neural network(iclr2021)
08-01
《自适应通用广义PageRank图神经网络》是在ICLR2021中发布的一篇论文。这篇论文提出了一种新的图神经网络模型，称为自适应通用广义PageRank图神经网络。 传统的图神经网络通常使用节点和边的特征来进行节点分类和链接预测等任务，但在处理大规模图时存在计算复杂度高和难以处理隐含图结构的问题。为了解决这些问题，这篇论文引入了PageRank算法和广义反向传播法，在保留图结构信息的同时有效地处理大规模图数据。 这个模型的核心思想是将PageRank算法和图神经网络相结合，通过模拟随机游走过程对节点和边进行随机采样，并利用广义反向传播法将PageRank值传播给相邻的节点。通过这种方式，网络可以在保留图结构信息的同时，有效地进行节点嵌入和预测任务。 另外，这篇论文还提出了自适应的机制，允许网络根据不同的任务和数据集调整PageRank算法的参数。通过自适应机制，网络可以更好地适应不同的图结构和特征分布，提高模型的泛化能力。 实验证明，这个自适应通用广义PageRank图神经网络在节点分类、链路预测和社区检测等任务上都取得了比较好的效果。与传统的模型相比，该模型在保留图结构信息的同时，具有更高的计算效率和更好的预测能力。 总的来说，这篇论文提出了一种新颖的图神经网络模型，通过将PageRank算法与图神经网络相结合，可以有效地处理大规模图数据，并通过自适应机制适应不同的任务和数据集。这个模型在图神经网络领域具有一定的研究和应用价值。
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