【ICLR 2021】半监督目标检测：Unbiased Teacher For Semi-Supervised Object Detection

摘要：

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。

再加上减轻过拟合的伪标签的类别平衡损失，无偏见教师模型在COCO和VOC数据集上显著地改进了最先进的方法。

论文介绍：

大规模数据集和计算资源的可用性使得深度神经网络能够在各种任务上取得强大的性能。然而，训练这些网络需要大量的有标记的实例，这些数据需要昂贵的注释和获取。

作为一种替代方法，半监督学习（SSL）方法受到越来越多的关注，然而，这些进展主要集中在图像分类上，而非目标检测。

在这项工作中，作者重新审视目标检测下SSL设置（如上图）：目标检测器训练所用的数据集只有少量的标记边界框和大量未标记的数据，或目标检测器联合训练一个大型标记数据集以及大型外部未标记的数据集。

解决半监督目标检测的一种直接方法是采用现有的先进的半监督图像分类方法(Sohnetal.，2020a)。不幸的是，目标检