秋招結(jié)束了，準(zhǔn)備開始搞畢業(yè)論文了，記錄下這周組會(huì)要將的論文。這篇論文主要講的是半監(jiān)督的目標(biāo)檢測(cè)。

背景

我們可以將目標(biāo)檢測(cè)分類四個(gè)部分:

有監(jiān)督目標(biāo)檢測(cè):擁有大規(guī)模帶標(biāo)簽的數(shù)據(jù)，包括完整的實(shí)例級(jí)別的標(biāo)注，即包括坐標(biāo)和類別信息
弱監(jiān)督目標(biāo)檢測(cè):數(shù)據(jù)集中的標(biāo)注包含類別，不包含坐標(biāo)信息
弱半監(jiān)督目標(biāo)檢測(cè):數(shù)據(jù)集中擁有部分實(shí)例級(jí)別的標(biāo)注，大量弱標(biāo)注數(shù)據(jù)，模型希望利用大規(guī)模的弱標(biāo)注數(shù)據(jù)提升模型的檢測(cè)能力
半監(jiān)督目標(biāo)檢測(cè):數(shù)據(jù)集中擁有部分實(shí)例級(jí)別的標(biāo)注，大量未標(biāo)注數(shù)據(jù)，模型希望利用大規(guī)模的未標(biāo)注數(shù)據(jù)提升模型的檢測(cè)能力

半監(jiān)督檢測(cè)的方法核心在于，如何充分利用大量未標(biāo)注、多樣性的數(shù)據(jù)提升模型在測(cè)試集上的性能。這篇論文主要用偽標(biāo)簽的辦法去學(xué)習(xí)。

模型

模型主要分為兩個(gè)階段:
第一個(gè)階段：使用所有有l(wèi)abel 的數(shù)據(jù)訓(xùn)練目標(biāo)檢測(cè)器直到收斂；用該檢測(cè)器預(yù)測(cè)無標(biāo)數(shù)據(jù)中目標(biāo)實(shí)體bounding box和類別；基于置信度過濾預(yù)測(cè)框以獲得較高精度的為標(biāo)簽
第二階段：對(duì)所有無標(biāo)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，使用第一階段生成偽標(biāo)簽的無標(biāo)數(shù)據(jù)和有標(biāo)數(shù)據(jù)訓(xùn)練模型

展開說說，主要分為四步：
第一步：訓(xùn)練一個(gè)teacher模型
第二步：用第一步的teachr模型，給無標(biāo)簽的數(shù)據(jù)生成偽標(biāo)簽。這里呢有個(gè)超參數(shù)τ，他先用NMS篩掉一部分框之后，在選出大于這個(gè)超參數(shù)的閾值的框出來，后面說明τ=0.9效果不錯(cuò)。
第三步：對(duì)無標(biāo)的數(shù)據(jù)進(jìn)行增強(qiáng)，當(dāng)數(shù)據(jù)進(jìn)行全局變化時(shí)偽標(biāo)簽也要做相應(yīng)的變化，分別是：C（Global color transformation）、G（Global geometric transformation）、B（Box-level transformation）
第四步：計(jì)算無監(jiān)督和有監(jiān)督的損失，訓(xùn)練模型。

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。