【CVPR2022】基于密集学习的半监督目标检测

半监督对象检测(Semi-supervised object detection, SSOD)的目的是在大量未标记数据的帮助下，方便对象检测器的训练和部署。虽然已经提出了各种基于自训练和一致性正则化的SSOD方法，但大多数都是基于锚的检测器，忽略了在许多实际应用中对无锚检测器的要求更高的事实。在本文中，我们打算弥补这一差距，并提出了一种基于密集学习(DSL)的无锚SSOD算法。具体来说，我们通过引入一些新技术来实现这一目标，包括用于分配多层次和精确的密集像素级伪标签的自适应过滤策略，用于生成稳定和精确的伪标签的聚合教师，并在尺度和洗牌块之间引入不确定性-一致性-正则化项，以提高检测器的泛化能力。在MS-COCO和PASCAL-VOC上进行了大量实验，结果表明，我们提出的DSL方法记录了最先进的SSOD性能，大大超过了现有方法。

https://www.zhuanzhi.ai/paper/1af41e315bfa76b66bf7b771a9c069ed