基于密集信息学习的半监督物体检测

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 半监控对象检测 (SSOD) 使用未标记的数据,但目前的方法是被动的,忽略了类别关系.
• 现有的SSOD技术通常仅依赖于原始图像数据,并优先考虑教师模型预测,而不是类别间的依赖.

研究的目的:

• 引入密集信息学习 (DIL),这是SSOD的一个积极方法,可以生成密集信息的未标记数据.
• 通过积极结合可利用的信息和强制执行关系的一致性,提高未标记数据的利用率.

主要方法:

• 密集信息增强 (DIA):使用前景银行积极生成带有可利用信息的未标记数据,增强和过噪音.
• 关系一致性规范化 (RCR):在特征和图像干扰下强制执行多元级一致性,引导网络专注于歧视性特征.

主要成果:

• 通过有效利用未标记的数据,DIL显著提高了半监督物体检测性能.
• 在MS-COCO数据集上,与监督基线相比,DIL在使用5%和10%的标记数据的mAP中实现了12.6%和10.0%的相对改善.

结论:

• 拟议的DIL方法展示了一种新且有效的方法,可以从SSOD中的未标记数据中积极学习.
• DIL的主动数据生成和关系一致性机制带来了显著的性能增长,超过了被动方法.