Scale Equivalent Distillation for Semi Supervised Object Detecti

最近的半监督目标检测SS OD方法主要基于自我训练即通过教师模型在未标记的数据上生成硬伪标签作为监督信号.尽管他们取得了一定的成功但半监督学习中有限的标记数据扩大了目标检测的挑战.我们通过实证实验结果分析了这些方法遇到的挑战.我们发现大量的假阴性样本和较差的定位精度缺乏考虑.此外物体大小的巨大差异和类不平衡即背景和物体之间的极端比例阻碍了现有技术的性能.此外我们通过引入一种新颖的方法即u尺度等效蒸馏SED来克服这些挑战这是一种简单而有效的端到端知识蒸馏框架可应对较大的对象大小差异和类不平衡.u与之前的作品相比SED有几个吸引人的好处.1SED强加一致性正则化来处理大规模方差问题.2SED缓解了假阴性样本的噪声问题和较差的定位精度.3重新加权策略可以隐式筛选未标注数据的潜在前景区域以减少类失衡的影响.广泛的实验表明SED在不同数据集上的表现始终优于最近最先进的方法并具有显着的利润.例如当在MS COCO上使用10和5的标记数据时它比监督对应物高出10mAP以上.