Label Matching Semi-Supervised Object Detection
https://github.com/hikvision-research/SSOD
Motivation
label mismatching导致 confirmation bias
从分布级标签错配问题的角度来看,由于数据的类别分布不平衡,使用单一且固定的置信阈值来生成无偏倚的伪标签来匹配类分布一致的地真标签是极其困难的。
Method
Re-distribution Mean Teacher.
假设标记数据是通过蒙特卡洛抽样从整个数据库中选择的。这样,未标记数据的标签分布就可以近似于已标记数据的标签分布。利用自适应标签分布感知置信阈值(ACT)为未标记数据生成无偏倚的伪标签,由标签数据中的标签分布监督。
通过最小化已标记数据和未标记数据之间的类分布差异来获得自适应阈值
n_{i}^{l}为标注数据中第i类的框号,C为整个前景类号,pj i为第j张未标注图像中第i类的预测得分列表,f -f为前景类分布,f -b为前景背景比。
Nl代表label数据的数量,Nu代表unlabel数据的数量
tc是优化后的变量,也就是过滤第c类伪框的置信阈值,确定为:
其中P sort c是第c类的预测得分列表,按降序排序。
Proposal Self-Assignment.
根据置信度分值将伪标签分为可靠标签和不确定标签。将可靠标签视为与监督方式相同的硬标签用于模型优化,而通过提出的自分配方法利用不确定标签进行软学习
the proposals from the student are injected into the teacher for proposals correction, which can provide corresponding soft labels to rectify each proposal accordingly.
α%为预定义的可靠伪标签比例,则过滤第c类可靠伪标签的置信度阈值tr c为:
将置信度大于tr c的伪标签作为硬标签,对学生模型进行监督优化。其余不确定的被视为软学习的软标签。
an instance-level label mismatch problem
例如,假设IoU重叠度大于0.5的建议优化为相同的不确定伪标签,经过ROIHead的细化,它们在分类得分上趋于相同,但在本地化上趋于不同。这些改进的建议对于NMS后处理的行为没有区别,这会使NMS混淆,从而随机抑制冗余的bbox
利用与学生生成的不确定的伪标签匹配的proposal,提取教师对应的特征,然后将这些特征输入教师的ROIHead,实现 refined boxes。
与基于IoU的标签分配不同,学生的每个proposal都使用教师模型的ROIHead细化的相应软标签进行self-training,最后在分类分数上有所不同,避免了NMS的混淆。这样,我们通过软分类损失来优化带有不确定伪标签的学生模型
在这里插入图片描述
其中np为与不确定伪标签相匹配的对应proposal个数,C为类别数,ps i, C为学生模型中第i个proposal中第C个类别的概率,pt i, C为与ps i, C相匹配的教师模型中对应的软标签。结合重新分配的平均教师和伪标签的proposal self-assignment,无监督损失重新表述为:
其中yui和yuu I分别表示可靠伪标签和不确定伪标签。
Reliable Pseudo Label Mining.
为了鼓励自训练过程中的正反馈,我们引入了一种可靠的伪标签挖掘(RPLM)策略来进一步提高性能,旨在以课程的方式将高质量的不确定伪标签转化为可靠的伪标签。
提出了两个评价指标:mean score和mean IoU,即该集合相邻框在NMS后与对应边框匹配的平均分类得分和IoU
均值大于Tscore的不确定伪标签和均值IoU大于Tiou的不确定伪标签就会被转化为可靠伪标签。
Label Matching Semi-Supervised Object Detection相关推荐
- 论文笔记 Object-Aware Instance Labeling for Weakly Supervised Object Detection - ICCV 2019
Object-Aware Instance Labeling for Weakly Supervised Object Detection Kosugi ICCV, 2019 (PDF) (Citat ...
- 论文报告笔记(四) Towards Precise End-to-end Weakly Supervised Object Detection Network
文章目录 论文报告笔记(四) Towards Precise End-to-end Weakly Supervised Object Detection Network 弱监督学习 WSDDN OIC ...
- Utilizing the Instability in Weakly Supervised Object Detection (CVPR2019) 解读
论文链接:Utilizing the Instability in Weakly Supervised Object Detection 本文主要贡献: 通过分析检测器多示例学习(MIL)的不稳定性, ...
- RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection
原文:https://arxiv.org/pdf/2208.08738.pdf 代码:https://github.com/Chasel-Tsui/mmdet-rfla 微小物体检测是阻碍目标检测发展 ...
- CVPR 2018 paper ---object detection
转载:https://blog.csdn.net/qq_34848537/article/details/82968217 参考链接 CVPR 2018 论文解读集锦(9月27日更新) CVPR 20 ...
- Object Detection(目标检测神文)
目标检测神文,非常全而且持续在更新.转发自:https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html,如 ...
- 论文笔记 Weakly Supervised Deep Detection Networks - CVPR 2016
Weakly Supervised Deep Detection Networks Hakan Bilen, Andrea Vedaldi CVPR, 2016 (PDF) (Citations 58 ...
- Object Detection经典代码与文章
转载自Object Detection Papers Deep Neural Networks for Object Detection paper: http://papers.nips.cc/pa ...
- Object Detection in 20 Years A Survey 论文阅读笔记
文章链接:https://arxiv.org/pdf/1905.05055.pdf 1.Introduction 作为计算机视觉的基本问题之一,目标检测构成了许多其他计算机视觉任务的基础,例如实例分割 ...
- CVPR 2021 Object Detection
一. 关于3D有26篇: 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection ST3D: Sel ...
最新文章
- android系统的iphone,iPhone上安装Android系统详细步骤。
- mongodb 安装和配置auth验证
- mysql双数据源动态切换_Spring boot+Mybatis多数据源动态切换
- flask管理不同的路由
- 网上图书商城项目学习笔记-035工具类之JdbcUtils及TxQueryRunner及C3P0配置
- boost::math模块计算艾里函数的零点的测试程序
- VirtualBox 安装ghost版windows XP
- centos7最小化安装后mysql_CentOS 7 最小化安装之后安装Mysql
- 为什么金融分析需要应用python语言_python入门第一篇:python语言简介
- Python面试题解答——第三部分Python高级
- java file 字典查询_File listFiles
- Qt面试题(一)Qt信号槽第五个参数
- PyTorch学习笔记(五):模型定义、修改、保存
- 一图看懂什么是集成电路?
- 服务器被攻击ip显示美国,大神:服务器疑是被攻击,netstat命令看到连接有很多国外IP...
- python 简单图片识别
- 多一份感动,多一份行动[动物园的猪 发表于 2004-11-15]
- SSL单向认证和双向认证
- 悟空问答python反爬_Python写个爬虫碰到反爬了,怎么办那就动手破坏它!
- fater-RCNN遇到的错误及其解决方案