基于基础图像细分模型的专家教师,用于在空中图像中检测物体

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 在空中图像中对象检测受到标记数据稀缺的阻碍,限制了模型的稳定性和通用性.
• 现有的教师-学生学习方法主要在自然图像领域进行探索,仅限于对未标记的空中数据集进行有限的关注.

研究的目的:

• 提出基于基础图像分割模型 (ET-FSM) 的专家教师框架,以提高未标记的空中图像中的物体检测.
• 利用基础模型来生成高质量的伪标签,以提高学生检测器的性能.

主要方法:

• 开发了一个专家教师框架 (ET-FSM) 使用基础图像细分模型.
• 在二进制探测器中集成了一个专家指导机制,以利用基础模型的知识来准确地定位对象.
• 引入了动量对比分类模块,以区分在空中图像中视觉上相似的物体类别.

主要成果:

• 拟议的ET-FSM框架有效地为未标记的空中图像生成高质量的伪标签.
• 实验表明,在各种学生探测器中,与现有方法相比,其性能优越.
• 实现完全监督的性能水平,显著减少了标记空中数据的数量.

结论:

• ET-FSM框架提供了一个可行的解决方案,用于改进使用未标记数据在空中图像中的对象检测.
• 基础模型可以有效地适应,为对象检测任务提供专家指导.
• 这种方法显著减少了对广泛标记空中数据集的需求,提高了效率和可访问性.