秋招結束了，準備開始搞畢業論文了，記錄下這周組會要將的論文。這篇論文主要講的是半監督的目標檢測。

背景

我們可以將目標檢測分類四個部分:

有監督目標檢測:擁有大規模帶標簽的數據，包括完整的實例級別的標注，即包括坐標和類別信息
弱監督目標檢測:數據集中的標注包含類別，不包含坐標信息
弱半監督目標檢測:數據集中擁有部分實例級別的標注，大量弱標注數據，模型希望利用大規模的弱標注數據提升模型的檢測能力
半監督目標檢測:數據集中擁有部分實例級別的標注，大量未標注數據，模型希望利用大規模的未標注數據提升模型的檢測能力

半監督檢測的方法核心在于，如何充分利用大量未標注、多樣性的數據提升模型在測試集上的性能。這篇論文主要用偽標簽的辦法去學習。

模型

模型主要分為兩個階段:
第一個階段：使用所有有label 的數據訓練目標檢測器直到收斂；用該檢測器預測無標數據中目標實體bounding box和類別；基于置信度過濾預測框以獲得較高精度的為標簽
第二階段：對所有無標數據集進行數據增強，使用第一階段生成偽標簽的無標數據和有標數據訓練模型

展開說說，主要分為四步：
第一步：訓練一個teacher模型
第二步：用第一步的teachr模型，給無標簽的數據生成偽標簽。這里呢有個超參數τ，他先用NMS篩掉一部分框之后，在選出大于這個超參數的閾值的框出來，后面說明τ=0.9效果不錯。
第三步：對無標的數據進行增強，當數據進行全局變化時偽標簽也要做相應的變化，分別是：C（Global color transformation）、G（Global geometric transformation）、B（Box-level transformation）
第四步：計算無監督和有監督的損失，訓練模型。

總結

以上是生活随笔為你收集整理的STAC: A Simple Semi-Supervised Learning Framework for Object Detection的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。