End-to-End Semi-Supervised Object Detection with Soft Teacher
论文地址:
https://arxiv.org/abs/2106.09018
代码地址:
https://github.com/microsoft/SoftTeacher
主要工作:
当前的半监督目标检测算法都需要多阶段的训练,例如在第一阶段使用右边去数据训练,然后再生成伪标签并重新训练。但是这些伪标签可能并不准确,从而限制了精度的提升。
提出了一种端到端的半监督目标检测算法。该算法在每次迭代的同时对未标记图像进行伪标记,然后同时使用标记数据和伪标签进行训练。
具体来说,标记和未标记的图像以预先设定的比例随机采样,形成一个数据批。对这些图像应用了两种模型,一个进行检测训练,另一个负责对未标记图像的伪标签进行标注。前者也被称为学生,后者是一名教师,这是学生模型的指数移动平均(EMA)。
这种端到端方法避免了复杂的多阶段训练方案。此外,它还使一个“飞轮效应”,伪标记和检测训练过程可以相互强化,从而随着训练的进行而变得越来越好。
具体实现:
上图说明了我们的端到端框架的概述。有两种模式,学生模型和教师模式。