#今日论文推荐# ECCV 2022 | 旷视提出半监督目标检测模型Dense Teacher，取得SOTA性能

#今日论文推荐# ECCV 2022 | 旷视提出半监督目标检测模型Dense Teacher，取得SOTA性能

这篇论文提出了一个新的半监督目标检测模型 Dense Teacher，推翻了当前流行的用 thresholding 生成 hard pseudo label 的范式，Teacher 模型仅提供 dense pseudo label，能够有效地提升单阶段目标检测器 FCOS 在半监督场景下的性能。COCO 10% labeled 情况下能达到 35.11 的 mAP，是当前半监督目标检测最好的效果。

首先为什么当前的 Thresholding 生成 pseudo label 的方法不好？如上图所示，当前流行的 thresholding 生成 pseudo label 主要包含了三个步骤：

1. NMS：用一个 threshold 去除冗余的预测框；
2. thresholding：用一个预定义的超参数 threshold 去过滤预测出来的框；
3. label assign.

这三个地方都有对应的问题，前两个主要是对应的 threshold 很难选，如上图所示，（a）（b）分别展示了 score threshold 和 NMS threshold 对模型性能的影响，可以看到模型的效果随着 threshold 的波动而剧烈波动。
除此之外，这个最优的 threshold 在没有真正 label 的情况下几乎确定不了，大了不好，acc 上去了，但是 recall 很低，就会产生很多假阴性样本（False Negative）；小了也不好，recall 上去了，acc 低了，就会产生很多假阳性（ False Positive）样本。
而且不同的检测器用不同的 label assignment 方法, 有噪声的 pseudo label 会严重影响 label assignment。之前 label assignment 也是单阶段目标检测器的一个研究方向，诞生了很多工作，比如 ATSS，PAA。

论文题目：Dense Teacher: Dense Pseudo-Labels for Semi-supervised Object Detection
详细解读：https://www.aminer.cn/research_report/62d783897cb68b460fef66fchttps://www.aminer.cn/research_report/62d783897cb68b460fef66fc
AMiner链接：https://www.aminer.cn/?f=cs