Semi-Supervised Domain Adaptation via Selective Pseudo Labeling and Progressive Self-Training
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
领域自适应(DA)是一种将知识从标签充足的源领域转移到标签稀缺的目标领域的表示学习方法。虽然大多数早期的方法都集中在无监督DA(UDA),最近提出了一些研究半监督DA(SSDA)。在SSDA中,少量标记的目标图像用于训练,这些数据的有效性已被先前的研究所证明。然而,以前的SSDA方法只采用这些数据嵌入普通的监督损失,忽略了潜在的有用性,但信息线索很少。基于这一观察,在本文中,我们提出了一种新的方法,进一步利用标记的目标图像SSDA。具体地说,我们利用标记的目标图像选择性地生成伪标签的未标记的目标图像。此外,基于伪标签不可避免地带有噪声的观察,我们应用了一种标签噪声鲁棒学习方案,该方案依次逐步更新网络和伪标签集。大量的实验结果表明,我们提出的方法优于其他以前的国家的最先进的SSDA方法。
2021-04-01 cs.CV
Semi-Supervised Domain Adaptation by Similarity based Pseudo-label Injection
International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术学院);Mercedes-Benz Research and Development India(梅赛德斯-奔驰印度研发中心)
半监督领域自适应(SSDA)中的主要挑战之一是标记源和目标样本的数量之间的偏斜比率,导致模型偏向源域。SSDA中最近的工作表明,仅将标记的目标样本与源样本对齐可能导致目标域与源域的不完全域对齐。在我们的方法中,为了对齐这两个域,我们利用对比损失来学习一个语义上有意义的和一个域不可知的特征空间,使用来自这两个域的监督样本。为了减轻由偏斜的标签比率引起的挑战,我们通过将未标记的目标样本的特征表示与来自源域和目标域的标记样本的特征表示进行比较来伪标记未标记的目标样本。此外,为了增加对目标域的支持,这些潜在的噪声伪标签在训练过程中逐渐注入到标记的目标数据集中。具体来说,我们使用温度缩放余弦相似性度量来分配一个软伪标签的未标记的目标样本。此外,我们计算每个未标记样本的软伪标签的指数移动平均值。这些伪标记基于置信度阈值被逐渐注入到标记的目标数据集中(或从标记的目标数据集中移除),以补充源分布和目标分布的对齐。最后,我们在标记和伪标记数据集上使用监督对比损失来对齐源和目标分布。使用我们提出的方法,我们展示了最先进的性能SSDA基准-家庭,域网和Office-31。
2022-09-05 cs.CV
Uncertainty-Aware Pseudo-Label Filtering for Source-Free Unsupervised Domain Adaptation
Harbin Institute of Technology(哈尔滨工业大学);University of Surrey(萨里大学)
提出不确定性感知伪标签过滤适应方法,通过自适应样本选择和类感知对比学习,在无源无监督域适应中有效过滤噪声伪标签,性能与最先进方法相当。
2024-03-17 cs.CV
Combining Self-Supervised and Supervised Learning with Noisy Labels
Paradigm Inc.(第四范式公司);Tsinghua University(清华大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
针对CNN易过拟合噪声标签的问题,提出CS$^3$NL方法,利用自监督学习获取表示并直接用噪声标签训练分类器,在高噪声水平下大幅超越现有方法。
2023-06-25 cs.CV
Improving Pseudo Labels With Intra-Class Similarity for Unsupervised Domain Adaptation
Northwestern Polytechnical University(西北工业大学)
无监督领域自适应(UDA)将知识从标签丰富的源域转移到不同但相关的完全未标记的目标域。为了解决域偏移问题,越来越多的UDA方法采用目标样本的伪标签来提高对目标域的泛化能力。然而,目标样本的不准确的伪标签可能在优化过程期间产生次优性能以及误差累积。此外,一旦产生伪标签,如何补救所产生的伪标签是远远没有探索。在本文中,我们提出了一种新的方法来提高在目标域的伪标签的准确性。它首先通过传统的UDA方法生成粗糙的伪标签。然后,它迭代地利用目标样本的类内相似性来改进生成的粗糙伪标签,并将源和目标域与改进的伪标签对齐。首先删除不相似的样本,然后使用生成树消除类内样本中具有错误伪标签的样本,从而提高伪标签的准确性。我们已经将所提出的方法应用到几个传统的UDA方法作为一个额外的术语。实验结果表明,该方法可以提高伪标签的准确性,并进一步导致更多的区分和域不变的功能比传统的基线。
2022-07-25 cs.CV cs.LG
A Comparative Study on Effects of Original and Pseudo Labels for Weakly Supervised Learning for Car Localization Problem
本研究以Car Dataset为数据源,采用弱监督学习方法,研究了由于多个概念含义而产生的不同类别标签对定位的影响。此外,生成的标签也包含在比较中,解决方案变成了无监督学习。本文研究了多种设置的汽车定位的图像与其他方法,而不是监督学习。为了预测定位标签,类激活映射(CAM)的实施和从结果中,边界框提取使用形态边缘检测。除了原始的类标签,生成的类标签还用于训练CAM,并在此基础上给出了一个解决无监督学习问题的例子。在实验中,我们首先分析了Compcars数据集上弱监督本地化中类标签的影响。然后,我们表明,在这个特定的数据集中,所提出的无监督方法比弱监督方法的性能高出约%6。
2022-11-21 cs.AI cs.CV
Analysis of Pseudo-Labeling for Online Source-Free Universal Domain Adaptation
Institute of Signal Processing and System Theory , University of Stuttgart, Germany(信号处理与系统理论研究所,斯图加特大学)
本文系统分析了在线无源通用域适应(SF-UniDA)中伪标签对适应结果的影响,发现伪标签准确率比数量更关键,对比损失对中等准确率鲁棒而交叉熵损失在接近完美时更优,揭示了当前方法与理论上界间的差距。
2025-05-30 cs.CV cs.LG
Pseudo-label Correction for Instance-dependent Noise Using Teacher-student Framework
University of California, San Diego(加州大学圣地亚哥分校)
提出P-LC框架,通过将教师网络重构为三元编码器并利用三元组损失,在师生网络中实现伪标签校正,有效应对实例依赖标签噪声,在多个数据集上超越现有方法。
2023-11-24 cs.CV cs.LG
Pseudo-Representation Labeling Semi-Supervised Learning
Taiwan Evolutionary Intelligence Laboratory(台湾进化智能实验室);National Taiwan University(国立台湾大学)
近年来,半监督学习(SSL)在利用未标记数据来提高深度学习模型的性能方面取得了巨大的成功,这大大降低了对大量标记数据的需求。已经提出了许多SSL技术,并在ImageNet和CIFAR-10等著名数据集上显示出良好的性能。然而,一些现有的技术(特别是基于数据增强的技术)不适合于经验上的工业应用。因此,这项工作提出了伪表示标记,一个简单而灵活的框架,利用伪标记技术迭代标记少量未标记的数据,并将它们作为训练数据。此外,我们的框架集成了自监督表示学习,使分类器从标记和未标记数据的表示学习中获益。该框架的实现不受具体模型结构的限制,而是一种改进现有模型的通用技术。与现有方法相比,伪表示标注更加直观,能够有效地解决现实世界中的实际问题。从经验上讲,它优于目前最先进的半监督学习方法在工业类型的分类问题,如WM-811 K晶圆图和MIT-BIH心律失常数据集。
2020-05-31 cs.CV cs.LG stat.ML
Contrastive Learning for Online Semi-Supervised General Continual Learning
Univ Gustave Eiffel(古斯塔夫·埃菲尔大学);CNRS(法国国家科学研究中心);LIGM(马恩拉瓦莱信息与数学实验室)
我们研究在线持续学习与缺失标签,并提出SemiCon,一个新的对比损失设计的部分标记的数据。我们通过设计一种基于内存的方法来证明其效率,该方法在未标记的数据流上进行训练,其中添加到内存中的每个数据都使用Oracle进行标记。当可用标签很少时,我们的方法优于现有的半监督方法,并且在Split-CIFAR 10上仅使用2.6%的标签和Split-CIFAR 100上仅使用10%的标签的情况下,获得与最先进的监督方法相似的结果。
2022-11-22 cs.AI cs.CV cs.LG
PseudoProp: Robust Pseudo-Label Generation for Semi-Supervised Object Detection in Autonomous Driving Systems
University at Buffalo, SUNY(纽约州立大学布法罗分校);Bosch Center for Artificial Intelligence(博世人工智能中心);University at Albany, SUNY(纽约州立大学奥尔巴尼分校);Amazon(亚马逊)
半监督目标检测方法广泛应用于自动驾驶系统中,其中仅标记一小部分对象。为了将信息从标记的对象传播到未标记的对象,必须为未标记的对象生成伪标签。虽然伪标签已被证明可以显著提高半监督目标检测的性能,但将基于图像的方法应用于视频帧会导致使用这种生成的伪标签的大量未命中或错误检测。在本文中,我们提出了一种新的方法,伪Prop,产生强大的伪标签,利用运动连续性的视频帧。具体来说,PseudoProp使用一种新的双向伪标签传播方法来补偿误检测。基于特征的融合技术也被用来抑制推理噪声。在大规模Cityscapes数据集上进行的大量实验表明,我们的方法在mAP 75上的性能比最先进的半监督目标检测方法高出7.4%。
2022-04-16 cs.CV
Pseudo-mask Matters in Weakly-supervised Semantic Segmentation
SenseTime(商汤科技);Tsinghua University(清华大学);Shanghai AI Laboratory(上海人工智能实验室)
大多数弱监督语义分割(WSSS)方法遵循最初生成伪掩码并随后以完全监督的方式使用伪掩码训练分割模型的流水线。然而,我们发现了一些与伪掩码相关的问题,包括从类激活映射(CAM)生成高质量的伪掩码,以及使用噪声伪掩码监督进行训练。对于这些问题,我们提出了以下设计来将性能提升到新的最新水平:(i)变异系数平滑,以自适应地平滑CAM;(ii)比例伪掩模生成,将扩展的CAM投影到伪掩模基于指示每个位置上每个类的重要性的新指标,而不是从二进制分类器训练的分数。(iii)伪欠拟合策略,以抑制噪声在伪掩模中的影响;(iv)循环伪掩模,以在全监督语义分割(FSSS)的训练期间提高伪掩模。基于我们的方法的实验在两个变化的弱监督语义分割数据集上取得了新的最先进的结果,在PAS-CAL VOC 2012和MS COCO 2014上分别将mIoU推到70.0%和40.2%。包括细分框架在内的代码发布于https://github.com/Eli-YiLi/PMM
2021-09-07 cs.CV
RePL: Pseudo-label Refinement for Semi-supervised LiDAR Semantic Segmentation
Dept. of CSE, POSTECH(浦项科技大学计算机科学与工程系);GSAI, POSTECH(浦项科技大学人工智能研究生院)
RePL通过掩码重建识别并纠正伪标签中的潜在错误,提升伪标签质量,从而在激光雷达语义分割中取得最优性能。
2026-08-26 cs.CV
Learning Consistency from High-quality Pseudo-labels for Weakly Supervised Object Localization
Shanghai Jiao Tong University(上海交通大学);Shanghai Frontier Science Research Center for Gravitational Wave Detection(上海引力波探测前沿科学研究中心)
伪监督学习方法已被证明是有效的弱监督对象定位任务。但有效性依赖于深度神经网络强大的正则化能力。基于定位网络在同一图像的不同版本上应该具有相似的位置预测的假设,我们提出了一种两阶段的方法来学习更一致的定位。在第一阶段,我们提出了一个基于掩码的伪标签生成器算法,并使用伪监督学习方法来初始化目标定位网络。在第二阶段,我们提出了一种简单有效的基于分类判别的伪标签置信度评估方法,并通过从高质量的伪标签中学习一致性,进一步改进定位网络,以获得更好的定位性能。实验结果表明,该方法在CUB-200-2011、ImageNet-1 k和Tiny-ImageNet三个基准数据集上均取得了良好的性能,证明了该方法的有效性。
2022-03-18 cs.CV
Learning Class-Agnostic Pseudo Mask Generation for Box-Supervised Semantic Segmentation
Harbin Institute of Technology(哈尔滨工业大学)
最近,几种弱监督学习方法已经致力于利用限界框监督来训练深度语义分割模型。大多数现有方法通常利用通用提议生成器(例如,密集CRF和MCG)以产生用于进一步训练分割模型的增强的分割掩模。然而,这些建议生成器是通用的,并且不是专门为框监督的语义分割设计的,从而为改进分割性能留下了一些余地。在本文中,我们的目标是寻求一个更准确的基于学习的类无关的伪掩码生成器定制的框监督语义分割。为此,我们采用像素级注释的辅助数据集,其中类标签与框注释数据集的标签不重叠。为了从辅助数据集学习伪掩码生成器,我们提出了一种双层优化公式。特别地,下部子问题用于学习框监督的语义分割,而上部子问题用于学习最优的类无关伪掩码生成器。然后可以将学习的伪分割掩码生成器部署到框注释数据集,以改进弱监督语义分割。在PASCAL VOC 2012数据集上的实验表明,学习的伪掩码生成器在提高分割性能方面是有效的,我们的方法可以进一步缩小框监督模型和全监督模型之间的性能差距。我们的代码将在https://github.com/Vious/LPG_BBox_Segmentation上公开。
2022-03-02 cs.CV
PseudoSeg: Designing Pseudo Labels for Semantic Segmentation
Virginia Tech(弗吉尼亚理工大学);Google Cloud AI(谷歌云AI);Google Brain(谷歌大脑)
半监督学习(SSL)的最新进展表明,一致性正则化和伪标记相结合可以有效地提高低数据状态下图像分类的准确率。与分类相比,语义分割任务需要更密集的标记成本。因此,这些任务极大地受益于数据高效的训练方法。然而,分割中的结构化输出带来了特殊的困难(例如,设计伪标记和增强)以应用现有的SSL策略。为了解决这个问题,我们提出了一种简单而新颖的伪标签重新设计,以生成经过良好校准的结构化伪标签,用于使用未标记或弱标记数据进行训练。我们提出的伪标签策略是网络结构不可知的,适用于一个阶段的一致性训练框架。我们证明了所提出的伪标签策略在低数据和高数据制度的有效性。大量的实验已经证明,通过明智地融合不同的源和强大的数据增强产生的伪标签是至关重要的一致性训练分割。源代码可在https://github.com/googleinterns/wss上获得。
2021-03-30 cs.CV
Dense Teacher: Dense Pseudo-Labels for Semi-supervised Object Detection
MEGVII Technology(旷视科技);Harbin Institute of Technology(哈尔滨工业大学);Waseda University(早稻田大学)
迄今为止,最强大的半监督对象检测器(SS-OD)是基于伪框的,这需要一系列具有微调超参数的后处理。在这项工作中,我们建议用密集预测代替稀疏伪框作为统一和直接的伪标签形式。与伪盒相比,我们的密集伪标签(DPL)不涉及任何后处理方法,从而保留了更丰富的信息。我们还介绍了一个区域选择技术,突出的关键信息,同时抑制密集标签携带的噪声。我们将我们提出的利用DPL的SS-OD算法命名为Dense Teacher。在COCO和VOC上,与基于伪框的方法相比,Dense Teacher在各种设置下都表现出优异的性能。
2022-07-19 cs.CV
Feedback-Driven Pseudo-Label Reliability Assessment: Redefining Thresholding for Semi-Supervised Semantic Segmentation
University of Bern(伯恩大学);University of Klagenfurt(克雷根福特大学)
针对半监督语义分割中静态伪标签阈值依赖标注数据且难以调优的问题,提出反馈驱动的 ENCORE 动态阈值方法,按类别估计真阳性置信度并自适应过滤,显著提升多框架、多数据集性能。
2025-05-12 cs.CV
C$^3$PS: Context-aware Conditional Cross Pseudo Supervision for Semi-supervised Medical Image Segmentation
Shanghai Jiao Tong University(上海交通大学)
针对半监督医学图像分割,提出上下文感知条件交叉伪监督方法C$^3$PS,通过带类别条件的交叉伪监督结合上下文感知提升伪标签质量,训练后期可聚焦难分割器官,在两项任务上性能优于现有最优方法。
2023-06-14 cs.CV
Pseudo Supervised Monocular Depth Estimation with Teacher-Student Network
McMaster University(麦克马斯特大学);University at Buffalo(布法罗大学);Carnegie Mellon University(卡内基梅隆大学)
尽管监督单目深度估计最近有所改进,但缺乏高质量的逐像素地面实况注释已成为进一步进展的主要障碍。在这项工作中,我们提出了一种新的无监督深度估计方法的伪监督机制的基础上,通过训练的师生网络与知识蒸馏。它策略性地集成了监督和无监督单目深度估计以及无监督双目深度估计的优点。具体地,教师网络利用双目深度估计的有效性来产生精确的视差图,然后将其用作伪地面实况以训练学生网络进行单目深度估计。这有效地将无监督学习的问题转换为监督学习。我们广泛的实验结果表明,所提出的方法优于国家的最先进的KITTI基准。
2021-10-22 cs.CV
Rethinking Pseudo Labels for Semi-Supervised Object Detection
University of Maryland(马里兰大学);Fudan University(复旦大学)
半监督目标检测(SSOD)的最新进展主要是由用于图像分类任务的基于一致性的伪标记方法驱动的,该方法产生伪标记作为监督信号。然而,当使用伪标签时,缺乏对定位精度和放大的类别不平衡的考虑,这两者对于检测任务都是至关重要的。在本文中,我们介绍了确定性感知的伪标签量身定制的目标检测,它可以有效地估计派生的伪标签的分类和定位质量。这是通过将传统的本地化转换为分类任务,然后进行细化来实现的。在分类和本地化质量分数的条件下,我们动态地调整用于生成伪标签的阈值,并为每个类别重新加权损失函数,以缓解类不平衡问题。大量的实验表明,我们的方法提高了最先进的SSOD性能的1- 2%AP COCO和PASCAL VOC,同时正交和补充大多数现有的方法。在有限的注释制度,我们的方法提高了监督基线高达10%的AP使用只有1-10%的标记数据从COCO。
2021-12-30 cs.CV
Semi-Supervised Learning of Semantic Correspondence with Pseudo-Labels
Korea University(高丽大学);Samsung Electro-Mechanics(三星电机)
在语义相似的图像之间建立密集的对应关系仍然是一项具有挑战性的任务,由于显着的类内变化和背景杂波。传统的监督学习用于训练模型,这需要大量的人工标记数据,而一些方法建议使用自监督或弱监督学习来减轻对标记数据的依赖,但性能有限。在本文中,我们提出了一种简单但有效的语义对应解决方案,该解决方案通过利用大量置信对应作为伪标签来补充少量真实对应,以半监督的方式学习网络,称为SemiMatch。具体来说,我们的框架使用模型本身在源和弱增强目标之间的预测生成伪标签,并使用伪标签在源和强增强目标之间再次学习模型,这提高了模型的鲁棒性。我们还提出了一种新的伪标签和数据增强语义对应度的信心措施。在实验中,SemiMatch在各种基准测试中实现了最先进的性能,特别是在PF Willow上的性能。
2022-04-05 cs.CV
Barely-Supervised Learning: Semi-Supervised Learning with very few labeled images
Naver Labs Europe(Naver实验室欧洲)
本文解决的问题,半监督学习时,一组标记的样本是有限的,每个类的图像数量很少,通常小于10,我们称之为勉强监督学习的问题。我们深入分析了最先进的半监督方法FixMatch的行为,该方法依赖于图像的弱增强版本来获得更强增强版本的监督信号。我们表明,它经常在几乎没有监督的情况下失败,由于缺乏训练信号时,没有伪标签可以预测具有高置信度。我们提出了一种利用自监督方法的方法,该方法在缺乏自信伪标签的情况下提供训练信号。然后,我们提出了两种方法来完善的伪标签选择过程,导致进一步的改进。第一个依赖于模型预测的每个样本历史,类似于投票方案。第二个迭代更新类相关的置信度阈值,以更好地探索在伪标签中表示不足的类。我们的实验表明,我们的方法在几乎没有监督的情况下在STL-10上表现得更好,例如,每个类有4或8个标记的图像。
2021-12-22 cs.CV
Seq-UPS: Sequential Uncertainty-aware Pseudo-label Selection for Semi-Supervised Text Recognition
Purdue University(普渡大学)
本文着眼于基于图像的文本识别的半监督学习(SSL)。最流行的SSL方法之一是伪标签(PL)。PL方法在使用标记数据和伪标记数据的组合重新训练模型之前将标签分配给未标记数据。然而,PL方法被噪声严重降级,并且由于包括从校准不良的模型生成的错误的高置信度伪标签,因此容易过度拟合到有噪声的标签,从而使得基于阈值的选择无效。此外,假设空间的组合复杂性和由于多个不正确的自回归步骤而导致的误差累积使得序列模型的伪标记具有挑战性。为此,我们提出了一个伪标签生成和基于不确定性的数据选择框架的半监督文本识别。我们首先使用波束搜索推理产生高度可能的假设分配伪标签的未标记的例子。然后,我们采用一个集成的模型,通过应用dropout采样,以获得与预测相关的不确定性的鲁棒估计,同时考虑字符级和单词级的预测分布,以选择高质量的伪标签。在几个基准手写和场景文本数据集上的大量实验表明,我们的方法优于基线方法和以前最先进的半监督文本识别方法。
2022-10-06 cs.CV
Semi-Supervised 2D Human Pose Estimation Driven by Position Inconsistency Pseudo Label Correction Module
Beijing University of Posts and Telecommunications(北京邮电大学);Beike(贝壳)
在本文中,我们深入研究了半监督的2D人体姿态估计。以前的方法忽略了两个问题:(1)在进行大模型和轻量级模型之间的交互训练时,轻量级模型的伪标签将用于指导大模型。(ii)噪声伪标签对训练的负面影响。此外,用于2D人体姿态估计的标签相对复杂:关键点类别和关键点位置。为了解决上述问题,我们提出了一个半监督的二维人体姿态估计框架驱动的位置不一致伪标签校正模块(SSPCM)。我们引入了一个额外的辅助教师,并使用两个教师模型在不同时期产生的伪标签来计算不一致性得分并去除离群值。然后,通过交互式训练来更新两个教师模型,并且使用由两个教师生成的伪标签来更新学生模型。为了进一步提高学生模型的性能,我们使用了基于伪关键点感知的半监督切割-遮挡算法来生成更多的硬有效样本。此外,我们还提出了一个新的室内开销鱼眼人体关键点数据集WEPDTOF-Pose。大量的实验表明,我们的方法优于以前最好的半监督2D人体姿态估计方法。我们将在https://github.com/hlz0606/SSPCM上发布代码和数据集。
2023-03-08 cs.CV
Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision
Peking University(北京大学);Microsoft Research Asia(微软亚洲研究院)
在本文中,我们研究了半监督语义分割问题,通过探索标记数据和额外的未标记数据。我们提出了一种新的一致性正则化方法,称为交叉伪监督(CPS)。我们的方法对同一输入图像的不同初始化扰动的两个分割网络的一致性。从一个扰动的分割网络输出的伪独热标签映射被用于以标准交叉熵损失来监督另一个分割网络,反之亦然。CPS一致性有两个作用:鼓励两个扰动网络对同一输入图像的预测之间的高度相似性,以及通过使用具有伪标签的未标记数据来扩展训练数据。实验结果表明,该方法在Cityscapes和PASCAL VOC 2012上实现了最先进的半监督分割性能。代码可在https://git.io/CPS上获得。
2021-06-04 cs.CV
Pseudo-Label Noise Suppression Techniques for Semi-Supervised Semantic Segmentation
University of Augsburg(奥格斯堡大学)
半监督学习(SSL)可以通过将未标记的数据合并到训练中来减少对大型标记数据集的需求。这对于语义分割来说特别有趣,因为标记数据非常昂贵和耗时。目前的SSL方法使用初始监督的训练模型来生成未标记图像的预测,称为伪标签,随后用于从头开始训练新模型。由于预测通常不是来自无误差的神经网络,它们自然充满了错误。然而,使用部分不正确的标签进行训练通常会降低最终模型的性能。因此,明智地管理伪标签的错误/噪声至关重要。在这项工作中,我们使用三种机制来控制伪标签噪声和错误:(1)我们构建了一个坚实的基础框架,通过混合图像与奶牛模式的未标记的图像,以减少错误的伪标签的负面影响。然而,错误的伪标签仍然对性能产生负面影响。因此,(2)我们提出了一种简单有效的伪标签损失加权方案,该方案由在这些伪标签上训练的模型的反馈定义。这允许我们在训练期间基于伪标签训练样本的确定的置信度分数对伪标签训练样本进行软加权。(3)我们还研究了忽略低置信度伪标签的常见做法,并实证分析了不同置信度范围的伪标签对SSL的影响和效果,以及伪标签过滤对可实现的性能增益的贡献。我们表明,我们的方法在各种数据集上的性能优于最先进的替代方案。此外,我们表明,我们的研究结果也转移到其他任务,如人体姿态估计。我们的代码可在https://github.com/ChristmasFan/SSL_Denoising_Segmentation上获得。
2022-10-19 cs.CV
PseudoAugment: Learning to Use Unlabeled Data for Data Augmentation in Point Clouds
Waymo(Waymo公司);Google(谷歌)
数据增强是点云数据三维检测中提高数据利用率、节省标注成本的重要技术。然而,到目前为止,现有的增强策略被设计为仅利用标记数据,这限制了数据的多样性。在本文中,我们认识到伪标记和数据增强是互补的,因此提出利用未标记的数据进行数据增强,以丰富训练数据。特别是,我们设计了三种新的基于伪标签的数据增强策略(PseudoAugments)来融合标记和伪标记的场景,包括帧(PseudoFrame),对象(PseudoBBox)和背景(PseudoBackground)。通过减少伪标记错误和生成不同的融合训练场景,伪增强优于伪标记。我们展示了基于点和基于体素的架构,不同的模型容量以及KITTI和Waymo开放数据集的伪增强。为了减轻超参数调整和迭代伪标记的成本,我们开发了一个基于人口的数据增强框架的三维检测,名为AutoPseudoAugment。与以前离线执行伪标记的工作不同,我们的框架一次性执行伪增广和超参数调整,以降低计算成本。在大规模Waymo开放数据集上的实验结果表明,我们的方法优于最先进的自动数据增强方法(PPBA)和自训练方法(伪标签)。特别地,与现有技术相比,AutoPseudoAugment在车辆和行人任务上的数据效率约为3倍和2倍。值得注意的是,AutoPseudoAugment几乎匹配完整的数据集训练结果,在车辆检测任务中只有10%的标记运行段。
2022-10-24 cs.CV
Learning Adaptive Pseudo-Label Selection for Semi-Supervised 3D Object Detection
School of Computing, KAIST(韩国科学技术院计算机学院);AI Lab, LG Electronics(LG电子人工智能实验室)
本文提出一种自适应伪标签选择框架,通过动态阈值和上下文信息提升3D目标检测性能,实验表明其在KITTI和Waymo数据集上效果显著。
2026-04-03 cs.CV
Re-distributing Biased Pseudo Labels for Semi-supervised Semantic Segmentation: A Baseline Investigation
The University of Hong Kong(香港大学);Zhejiang University(浙江大学)
虽然自训练具有先进的半监督语义分割,但它严重遭受真实世界语义分割数据集上的长尾类分布,这使得伪标记数据偏向于大多数类。在本文中,我们提出了一个简单而有效的分布对齐和随机抽样(DARS)方法,以产生无偏的伪标签,匹配从标记数据估计的真实类分布。此外,我们还提供了一个渐进的数据增强和标记策略,以促进模型训练与伪标记数据。在Cityscapes和PASCAL VOC 2012数据集上的实验证明了该方法的有效性。虽然简单,我们的方法表现良好,与国家的最先进的方法相比。代码将在https://github.com/CVMI-Lab/DARS上提供。
2021-07-26 cs.CV
DDS3D: Dense Pseudo-Labels with Dynamic Threshold for Semi-Supervised 3D Object Detection
Huazhong University of Science and Technology(华中科技大学)
在本文中,我们提出了一个简单而有效的半监督三维物体检测器DDS3D。我们的主要贡献有两方面。一方面,与以往使用非最大值抑制(NMS)或其变体来获得稀疏伪标签的方法不同,本文提出了一种密集伪标签生成策略来获得密集伪标签,从而为学生网络保留更多潜在的监督信息。另一方面,本文提出了一种动态阈值的伪标签生成方法,取代了传统的固定阈值方法,保证了整个训练过程中伪标签的质量和数量。受益于这两个组件,我们的DDS 3D优于最先进的半监督3D目标检测,在1%样本的相同配置下,行人的mAP为3.1%,骑自行车的为2.1%。KITTI数据集上的广泛消融研究证明了我们的DDS 3D的有效性。代码和模型将在https://github.com/hust-jy/DDS3D上公开发布
2023-03-10 cs.CV
Cross Pseudo Labeling For Weakly Supervised Video Anomaly Detection
本文提出CPL-VAD框架,通过跨伪标签实现视频异常检测与类别分类的双重提升,实验表明其在异常检测和类别识别上达到最优性能。
2026-03-13 cs.CV
Decoupled Pseudo-labeling for Semi-Supervised Monocular 3D Object Detection
School of Computer Science and Engineering, Sun Yat-sen University(中山大学计算机科学与工程学院);Baidu Inc.(百度公司);GuangDong Province Key Laboratory of Information Security Technology(广东省信息安全技术重点实验室)
本文提出解耦伪标签方法,通过分别处理2D/3D属性生成伪标签并投影深度梯度,解决半监督单目3D检测中预测错位和噪声深度监督问题,在KITTI上超越现有方法。
2024-11-05 cs.CV
Weighting Pseudo-Labels via High-Activation Feature Index Similarity and Object Detection for Semi-Supervised Segmentation
Stony Brook University(石溪大学);EPFL(洛桑联邦理工学院)
本文提出一种通过高激活特征索引相似性与目标检测加权伪标签的方法,提高半监督语义分割中伪标签的可靠性,并在多个框架和数据集上验证了有效性。
2024-07-17 cs.CV
Learning from Label Proportion with Online Pseudo-Label Decision by Regret Minimization
Kyushu University(九州大学)
本文提出了一种新的有效的标签比例学习方法(LLP),其目标是训练一个分类器只使用类标签比例的实例集,称为袋。我们提出了一种新的LLP方法的基础上的在线伪标记方法与遗憾最小化。与以前的LLP方法相反,即使袋子尺寸很大,所提出的方法也能有效地工作。我们使用一些基准数据集证明了所提出的方法的有效性。
2023-02-17 cs.CV
Reliable Label Bootstrapping for Semi-Supervised Learning
Princeton University(普林斯顿大学);Springer Heidelberg(施普林格·海德堡);ABC Institute, Rupert-Karls-University Heidelberg(海德堡鲁珀特·卡尔斯大学ABC研究所)
减少训练卷积神经网络所需的标签数量而不降低性能是有效减少人工注释工作的关键。我们提出了可靠的标签引导(ReLaB),一个无监督的预处理算法,提高了半监督算法在极低的监督设置的性能。给定一个带有少量标记样本的数据集,我们首先学习数据的有意义的自监督潜在特征。其次,标签传播算法在无监督特征上传播已知标签,以自动方式有效地标记完整数据集。第三,我们使用标签噪声检测算法选择正确标记(可靠)样本的子集。最后,我们训练一个半监督算法上的扩展子集。我们证明了网络架构和自监督算法的选择是实现成功标签传播的重要因素,并证明了ReLaB在CIFAR-10,CIFAR-100和mini-ImageNet的监督非常有限的情况下大大改善了半监督学习。我们在CIFAR-10上每个类别具有1个随机标记样本的情况下达到$\boldsymbol{22.34}$的平均出错率,并且当每个类别中的标记样本具有高度代表性时将该错误降低到$\boldsymbol{8.46}$。我们的工作是完全可复制的:https://github.com/PaulAlbert31/ReLaB。
2021-02-25 cs.CV
Sparse Generation: Making Pseudo Labels Sparse for Point Weakly Supervised Object Detection on Low Data Volume
Xi'an University of Science and Technology(西安科技大学)
针对低数据量下点弱监督目标检测伪标签质量差的问题,提出稀疏生成方法,通过映射、掩码、回归三阶段将稠密输出稀疏化,并结合透视匹配提升伪框合理性,在多个数据集上优于现有SOTA方法。
2024-12-30 cs.CV
Refined Pseudo labeling for Source-free Domain Adaptive Object Detection
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Nanjing Artificial Intelligence Research of IA(IA南京人工智能研究院)
域自适应目标检测(DAOD)假设标记的源数据和未标记的目标数据都可用于训练,但这种假设在现实世界的场景中并不总是成立。因此,提出了无源DAOD,以使源训练的检测器适应仅具有未标记目标数据的目标域。现有的无源DAOD方法通常使用伪标记,其中性能严重依赖于置信度阈值的选择。然而,大多数现有的工作采用一个单一的固定阈值的所有类来生成伪标签,忽略了不平衡的类分布,导致偏见的伪标签。在这项工作中,我们提出了一个完善的伪标签框架的无源DAOD。首先,为了生成无偏的伪标签,我们提出了一个类别感知的自适应阈值估计模块,它自适应地为每个类别提供合适的阈值。其次,为了减少不正确的盒回归,引入了一种定位感知的伪标签分配策略,将标签分为确定和不确定的标签,并分别进行优化。最后,在四个自适应任务上的大量实验证明了我们的方法的有效性。
2023-03-07 cs.CV
Can Semantic Labels Assist Self-Supervised Visual Representation Learning?
University of Science and Technology of China(中国科学技术大学);Huawei Inc.(华为公司)
近年来,对比学习极大地推动了无监督视觉表示学习的发展。在ImageNet上进行预训练后,与完全监督的方法相比,一些自监督算法报告了更高的迁移学习性能,似乎传递了这样一个信息,即人类标签几乎无助于学习可迁移的视觉特征。在本文中,我们为语义标签的有用性辩护,但指出全监督和自监督方法追求不同类型的特征。为了缓解这个问题,我们提出了一个新的算法命名为监督对比调整邻域(SCAN),最大限度地防止语义指导破坏外观特征嵌入。在一系列的下游任务中,SCAN实现了比以前的全监督和自监督方法更优越的性能,有时增益是显著的。更重要的是,我们的研究表明,语义标签在辅助自我监督方法方面很有用,为社区开辟了一个新的方向。
2020-11-17 cs.CV
Semi-supervised 3D Object Detection via Adaptive Pseudo-Labeling
Shanghai Jiao Tong University(上海交通大学);East China Normal University(华东师范大学);East China University of Science and Technology(华东理工大学)
三维目标检测是计算机视觉中的一项重要任务。现有的方法大多需要大量高质量的3D标注,采集成本高,特别是对于室外场景,由于点云的稀疏性和城市场景的复杂性,问题变得更加严重。半监督学习是一种很有前途的技术,以减轻数据注释问题。受此启发,我们提出了一种新的基于伪标记的半监督框架,用于室外3D目标检测任务。我们设计了自适应类置信度选择模块(ACCS)来生成高质量的伪标签。此外,我们提出了整体点云增强(HPCA)的未标记的数据,以提高鲁棒性。在KITTI基准测试上的实验证明了该方法的有效性。
2021-08-15 cs.CV
Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-identification
CUHK-SenseTime Joint Laboratory(港中大-商汤联合实验室);The Chinese University of Hong Kong(香港中文大学);SIAT-SenseTime Joint Lab(深圳先进院-商汤联合实验室);Shanghai AI Laboratory(上海人工智能实验室);Xidian University(西安电子科技大学)
无监督的对象重新识别的目标是在没有任何注释的情况下学习用于对象检索的区分性表示。基于训练的方法使用生成的伪标签进行训练,目前主导着这一研究方向。然而,它们仍然遭受伪标签噪声的问题。为了应对这一挑战,我们建议使用聚类共识正确估计连续训练代之间的伪标签相似性,并使用时间传播和集成的伪标签来改进伪标签。据我们所知,这是第一次尝试利用时间集成的精神,以提高分类与动态变化的类代。所提出的伪标签精炼策略简单有效,可以无缝集成到现有的基于聚类的无监督重识别方法中。通过我们提出的方法,最先进的方法可以进一步提升,在具有挑战性的MSMT17数据集上的mAP改进高达8.8%。
2021-08-23 cs.CV
Segment Anything is A Good Pseudo-label Generator for Weakly Supervised Semantic Segmentation
Zhejiang University(浙江大学);Nankai University(南开大学)
针对弱监督语义分割的不适定问题,本研究挖掘类别无关大模型segment-anything的“提示生成掩码”潜力,以弱标签为提示生成精确类别掩码,再用其制作伪标签训练分割网络,在PASCAL VOC 2012上验证了该方法的有效性,代码将开源。
2023-05-02 cs.CV
ACPL: Anti-curriculum Pseudo-labelling for Semi-supervised Medical Image Classification
Australian Institute for Machine Learning, University of Adelaide(阿德莱德大学澳大利亚机器学习研究所);Universität Ulm(乌尔姆大学)
有效的医学图像分析(MIA)中的半监督学习(SSL)必须解决两个挑战:1)有效地工作在多类(例如,病变分类)和多标记(例如,多疾病诊断)问题,以及2)处理不平衡的学习(由于疾病流行率的高方差)。在SSL MIA中探索的一种策略是基于伪标签策略,但它有一些缺点。伪标签的准确性通常低于一致性学习,它不是专门为多类和多标签问题设计的,并且可能受到不平衡学习的挑战。在本文中,不同于传统的通过阈值选择置信伪标签的方法,我们提出了一种新的SSL算法,称为反课程伪标签(ACPL),该算法引入了新的技术来选择信息丰富的未标记样本,改善了训练平衡,并允许模型适用于多标签和多类问题,以及通过分类器的精确集合来估计伪标签(提高伪标签精度)。我们在两个公共医学图像分类基准上进行了广泛的实验来评估ACPL:胸部疾病多标签分类的胸部X射线14和皮肤病变多类分类的ISIC 2018。我们的方法在两个数据集上都优于以前的SOTA SSL方法
2022-03-21 cs.CV
A formal approach to good practices in Pseudo-Labeling for Unsupervised Domain Adaptive Re-Identification
Université Paris-Saclay, CEA, List(巴黎萨克雷大学,法国原子能和替代能源委员会,List研究所);Normandie Univ, INSA Rouen, LITIS(诺曼底大学,鲁昂国立应用科学学院,信息处理与系统实验室)
伪标签的使用是为了以最佳性能解决无监督域自适应(UDA)重新识别(re-ID)。事实上,这一系列方法已经产生了几个有效的UDA re-ID特定框架。在这些工作中,提高伪标签UDA re-ID性能的研究方向多种多样,主要基于直觉和实验:细化伪标签,减少伪标签中错误的影响......很难从中推断出可以在任何伪标签方法中实现的一般良好实践,以持续提高其性能。针对这一关键问题,提出了一种新的伪标记UDA re-ID理论观点。贡献有三方面:(i)伪标记UDA re-ID的新理论框架,通过UDA re-ID性能的新的通用学习上限进行形式化。(ii)伪标记的一般良好实践,直接推导出所提出的理论框架的解释,以提高目标的重新识别性能。(iii)对具有挑战性的人员和车辆跨数据集重新识别任务进行了广泛的实验,显示了各种最先进的方法和各种建议的良好实践实现的一致性能改进。
2022-02-02 cs.CV
NimbleD: Enhancing Self-supervised Monocular Depth Estimation with Pseudo-labels and Large-scale Video Pre-training
University of Reading(雷丁大学)
本文提出NimbleD框架,利用大型视觉模型生成的伪标签进行监督,无需相机内参即可进行大规模视频预训练,显著提升了轻量级模型的深度估计性能,满足低延迟VR/AR应用需求。
2024-08-26 cs.CV
RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation
Shanghai Jiao Tong University(上海交通大学);Fudan University(复旦大学);Huashan Hospital(华山医院);National Center for Neurological Disorders(国家神经疾病医学中心);ShanghaiTech University(上海科技大学)
针对半监督医学图像分割中伪标签噪声大、特征类别可分性不足的问题,提出结合校正伪监督与双向体素对比学习的RCPS方法,经多数据集验证性能优于现有最优方法。
2023-10-09 cs.CV
Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection
Institute of Information Engineering, CAS(中国科学院信息工程研究所);University of Chinese Academy of Sciences(中国科学院大学);Australian Institute for Machine Learning, The University of Adelaide(阿德莱德大学澳大利亚机器学习研究所);Institute of Computing Technology, CAS(中国科学院计算技术研究所);Peng Cheng Laboratory(鹏城实验室);University of California, Merced(加州大学默塞德分校)
弱监督视频异常检测旨在仅使用视频级标签来识别视频中的异常事件。最近,两阶段的自训练方法已经取得了显着的改进,通过自生成的伪标签和自精炼的异常分数与这些标签。由于伪标签起着至关重要的作用,我们提出了一个增强框架,利用完整性和不确定性属性进行有效的自我训练。具体来说,我们首先设计了一个多头分类模块(每个头作为一个分类器)的多样性损失,以最大限度地提高预测的伪标签的分布差异头。这鼓励生成的伪标签覆盖尽可能多的异常事件。然后,我们设计了一个迭代的不确定性伪标签细化策略,它不仅提高了初始的伪标签,但也更新所需的分类器在第二阶段获得的。大量的实验结果表明,该方法在UCF-Crime,EQUIPMENT和XD-Violence基准数据集上表现良好。
2022-12-08 cs.CV
Pseudo-label Correction and Learning For Semi-Supervised Object Detection
National University of Defense Technology(国防科技大学);Defense Innovation Institute, Chinese Academy of Military Science(中国人民解放军军事科学院国防科技创新研究院)
伪标记已成为一种简单而有效的半监督目标检测(SSOD)技术。然而,伪标签中不可避免的噪声问题显着降低了SSOD方法的性能。近年来的研究有效地降低了SSOD中的分类噪声,但作为SSOD中不可忽视的一部分的定位噪声却没有得到很好的解决。在本文中,我们分析了本地化噪声的产生和学习阶段,并提出了两种策略,即伪标签校正和噪声不知情的学习。对于伪标签校正,我们引入了多轮细化方法和多投票加权方法。前者迭代地细化伪框以提高预测的稳定性,而后者通过加权周围抖动框的分数来平滑地自校正伪框。对于无噪声学习,我们引入了一个与回归任务中的交集(IoU)负相关的损失权重函数,它使预测框更接近对象并提高定位准确性。我们提出的方法,伪标签校正和学习(PCL),广泛评估MS COCO和PASCAL VOC基准。在MS COCO上,PCL在1%、5%和10%的标记比率下分别比监督基线高12. 16、12. 11和9. 57 mAP,比最近的SOTA(SoftTeacher)高3. 90、2. 54和2. 43 mAP。在PASCAL VOC上,PCL将监督基线提高了5.64 mAP,在AP $^{50}$上将最近的SOTA(无偏教师2)提高了1.04 mAP。
2023-03-06 cs.CV
Conservative-Progressive Collaborative Learning for Semi-supervised Semantic Segmentation
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Institute for AI Industry Research (AIR), Tsinghua University(清华大学人工智能产业研究院(AIR));Zhejiang University(浙江大学)
伪监督被认为是半监督学习语义分割的核心思想,在只利用高质量伪标签和利用所有伪标签之间总是存在权衡。为了解决这个问题,我们提出了一种新的学习方法,称为保守-渐进协作学习(CPCL),其中两个预测网络并行训练,并根据两个预测的一致性和不一致性实现伪监督。一个网络通过交叉监督寻找共同点,并由高质量的标签监督,以确保更可靠的监督,而另一个网络通过联合监督保留差异,并由所有伪标签监督,以保持好奇心。从而实现保守进化与渐进探索的协同。为了减少可疑伪标签的影响,根据预测置信度对损失进行动态重新加权。大量的实验表明,CPCL实现了国家的最先进的半监督语义分割的性能。
2023-02-17 cs.CV
DivideMix: Learning with Noisy Labels as Semi-supervised Learning
Salesforce Research(Salesforce研究院)
众所周知,深度神经网络是注释饥渴型的。在使用深度网络进行学习时,已经做出了许多努力来降低注释成本。两个突出的方向包括噪声标签学习和利用未标记数据的半监督学习。在这项工作中,我们提出了DivideMix,一个新的框架,通过利用半监督学习技术与噪声标签学习。具体而言,DivideMix使用混合模型对每个样本的损失分布进行建模,以将训练数据动态地划分为具有干净样本的标记集和具有噪声样本的未标记集,并以半监督方式在标记和未标记数据上训练模型。为了避免确认偏差,我们同时训练两个发散的网络,每个网络都使用来自另一个网络的数据集。在半监督训练阶段,我们通过对标记和未标记样本分别进行标签共同细化和标签共同猜测来改进MixMatch策略。在多个基准数据集上的实验表明,与最先进的方法相比,该方法有了很大的改进。代码可在www.example.com上获得。
2020-02-18 cs.CV
BoxTeacher: Exploring High-Quality Pseudo Labels for Weakly Supervised Instance Segmentation
Horizon Robotics(地平线机器人);Huazhong University of Science & Technology(华中科技大学)
与边界框相比,使用逐像素分割标记对象需要大量的人力。大多数现有的弱监督实例分割方法集中在设计启发式损失与先验的边界框。同时,我们发现框监督方法可以产生一些精细的分割掩模,我们想知道检测器是否可以从这些精细掩模中学习,而忽略低质量的掩模。为了回答这个问题,我们提出了BoxTeacher,这是一个高效的端到端训练框架,用于高性能弱监督实例分割,它利用一个复杂的教师来生成高质量的掩码作为伪标签。考虑到大量噪声掩模对训练的影响,本文提出了一种掩模感知置信度来估计伪掩模的质量,并提出了噪声感知像素损失和噪声降低亲和度损失来自适应地优化具有伪掩模的学生。大量的实验可以证明所提出的BoxTeacher的有效性。在没有花哨的情况下,BoxTeacher在具有挑战性的COCO数据集上分别使用ResNet-50和ResNet-101显著实现了35.0掩码AP和36.5掩码AP,这比以前的最先进方法有很大的优势,并弥合了框监督和掩码监督方法之间的差距。代码和模型将在https://github.com/hustvl/BoxTeacher上提供。
2023-03-17 cs.CV
Weakly Supervised Pseudo-Label assisted Learning for ALS Point Cloud Semantic Segmentation
The Hong Kong Polytechnic University(香港理工大学)
竞争性点云语义分割结果通常依赖于大量的标记数据。然而,数据标注是一项耗时耗力的任务,特别是对于三维点云数据。因此,用有限的地面实况作为训练数据获得准确的结果是相当重要的。伪标记作为一种简单有效的方法,可以利用未标记数据中的信息来训练神经网络。在本研究中,我们提出了一种伪标签辅助的点云分割方法,该方法具有很少的稀疏采样标签,这些标签通常是为每个类随机选择的。提出了一种基于预测概率的自适应阈值策略来生成伪标签。伪标签学习是一个迭代过程,当模型收敛时,伪标签仅在真实弱标签上更新,以提高训练效率。使用ISPRS三维语义标注基准数据集的实验表明,我们提出的方法取得了同样具有竞争力的结果相比,使用一个完整的监督方案,只有多达2个$\unicode{x2030}$的标记点从原始训练集,与83.7%的整体准确率和平均F1得分为70.2%。
2021-05-05 cs.CV
MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative Adversarial Network
Imperial College London(帝国理工学院);Korea Advanced Institute of Science and Technology(韩国科学技术院)
提出了一种新的半监督环境下的条件生成对抗网络(GANs)自监督学习方法。与先前的自我监督方法不同,这些方法通常涉及图像空间上的几何增强,例如预测旋转角度,我们的借口任务利用了标签空间。我们通过从可用的少数标记示例的标签空间中随机采样敏感标签,并将其作为目标标签分配给来自与标记示例相同的分布的丰富的未标记示例来执行增强。然后将图像翻译并按其目标标签分组为正对和负对,作为我们的借口任务的训练样本,该任务涉及优化搜索者一侧的辅助匹配损失。我们在两个具有挑战性的基准测试中测试了我们的方法,CelebA和RaFD,并使用标准指标评估了结果,包括Fréchet Inception Distance,Inception Score和Attribute Classification Rate。广泛的实证评估表明,我们提出的方法的有效性,竞争力的基线和现有的艺术。特别是,我们的方法超过了基线,只有20%的标记的例子用于训练基线。
2020-10-08 cs.CV
Weakly supervised object detection using pseudo-strong labels
National Laboratory for Parallel and Distributed Processing, National University of Defense Technology(国防科技大学并行与分布处理国家重点实验室);College of Computer, National University of Defense Technology(国防科技大学计算机学院)
目标检测是计算机视觉的一项重要任务,人们已经提出了多种方法,但是利用弱标记的方法仍然没有得到令人满意的结果。提出了一种新的框架,利用弱监督方法的输出作为伪强标签来训练强监督模型,将弱监督方法作为黑盒处理,在训练样本集上生成类特定的包围盒,并提出了一种新的改进方法。该方法首先对含有噪声的边界框进行去噪处理,然后利用去噪后的伪强标签对强目标检测网络进行训练,由于整个过程只使用图像级标签,所以整个框架仍然是弱监督的。在PASCAL VOC 2007上的实验结果证明了该框架的有效性,结果表明,该方法的平均精度为43.4%,比原方法的平均精度(34.5%)和原方法的平均精度(39.5%)都有较大提高,且该方法简单、直观,易于推广应用。
2016-07-16 cs.CV