-
题名自步学习指导下的半监督目标检测框架
- 1
-
-
作者
谢斌红
剌颖坤
张英俊
张睿
-
机构
太原科技大学计算机科学与技术学院
-
出处
《计算机应用》
北大核心
2025年第8期2546-2554,共9页
-
基金
山西省基础研究计划项目(面上)(20210302123216)
吕梁市引进高层次科技人才重点研发项目(2022RC08)。
-
文摘
为了提高伪标签质量并解决半监督目标检测(SSOD)中的确认偏差问题,提出一种基于动态参数的自步学习(SPL)指导下的SSOD框架。在该框架中设计动态自步参数和连续权重变量,以优化SSOD的效果。具体地,动态自步参数根据模型在训练过程中的实时表现评估样本的难易程度,而连续权重变量则通过比较样本损失与动态自步参数的关系精确评估每个样本在训练中的重要性和可靠性,并对样本中的每个物体都进行精细化权重设计。此外,该框架采用单一模型迭代训练,并引入一致性正则化策略评估模型预测的一致性。这种设计不仅能为模型提供更有针对性的权重信息,还可使模型通过权重信息的动态调整自适应地优化训练过程。在PASCAL VOC和MS-COCO数据集上的广泛对比实验结果不仅显示所提框架显著提升了模型的检测精度,还验证了所提框架良好的通用性和高效的收敛性能。特别在PASCAL VOC数据集上,所提框架相较于LabelMatch、Unbiased Teacher V2和MixTeacher在检测精度上分别提升了0.65、4.84和0.28个百分点。
-
关键词
半监督目标检测
自步学习
一致性正则化
动态自步参数
连续权重变量
-
Keywords
semi-supervised object detection
Self-Paced Learning(SPL)
consistency regularization
dynamic self-paced parameter
continuous weight variable
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于序贯三支决策的半监督目标检测算法
被引量：2
- 2
-
-
作者
宋法兴
苗夺谦
张红云
-
机构
同济大学电子与信息工程学院
嵌入式系统与服务计算教育部重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2023年第10期1-6,共6页
-
基金
国家重点研发计划(2022YFB3104700)
国家自然科学基金(61976158,61976160,62076182,62163016,62006172)
+1 种基金
江西省自然科学基金重点项目(20212ACB202001)
江西省“双千计划”。
-
文摘
深度学习对大规模数据的需求以及目标检测标注任务的复杂性促进了半监督目标检测任务的发展。近年来,半监督目标检测已经取得了很多优秀的成果。然而,伪标签中的不确定性依然是半监督目标检测研究中难以避免的问题,优越的半监督方法要求选取合适的过滤阈值来权衡伪标签的噪声信息比例和召回率,以最大程度保留准确有效的伪标签。为了解决此问题,在半监督检测的框架中引入了序贯三支决策算法,将模型输出的伪标签根据不同的筛选阈值划分为干净的前景标签、有噪声的前景标签,以及干净的背景标签,并对其采取不同的处理策略。对有噪声的前景标签采用负类学习损失来学习这些存在噪声的标签,避免学习到其中的噪声信息。实验结果表明了所提算法的性能优势,针对COCO数据集,在有监督数据占比只有10%的情况下,该方法实现了35.2%的检测精度,相比仅依靠有监督训练性能提升了11.34%。
-
关键词
序贯三支决策
不确定性
负类学习
半监督学习
半监督目标检测
-
Keywords
Sequential three-way decisions
Uncertaint
Negative class learning
Semi-supervised learning
Semi-supervised object detection
-
分类号
TP389.1
[自动化与计算机技术—计算机系统结构]
-
