Improving Localization for Semi-Supervised Object Detection

要約

現在、半教師ありオブジェクト検出（SSOD）はホットなトピックです。これは、新しいデータセットを作成するために画像を収集するのはかなり簡単ですが、それらにラベルを付けることは依然として費用と時間のかかる作業であるためです。
半教師あり学習（SSL）設定で生の画像を利用するための成功した方法の1つは、教師による疑似ラベル付けの操作と生徒から教師への知識の伝達が同時に行われる平均教師手法です。
。
ただし、信頼値は予測の不確実性に厳密に関連しておらず、予測を安全にフィルタリングできないため、しきい値処理による疑似ラベル付けは最善の解決策ではありません。
この論文では、予測されたバウンディングボックスのフィルタリングを改善し、学生のトレーニングでより高い品質を得るために、バウンディングボックスのローカリゼーションのための追加の分類タスクを紹介します。
さらに、教師なし部分のバウンディングボックス回帰が、カテゴリ分類と同様にトレーニングに等しく貢献できることを経験的に証明します。
私たちの実験は、私たちのIL-net（Improving Localization net）が、限定アノテーションレジームのCOCOデータセットでSSODパフォーマンスを1.14％AP向上させることを示しています。
コードはhttps://github.com/IMPLabUniPr/unbiased-teacher/tree/ilnetで入手できます。

要約(オリジナル)

Nowadays, Semi-Supervised Object Detection (SSOD) is a hot topic, since, while it is rather easy to collect images for creating a new dataset, labeling them is still an expensive and time-consuming task. One of the successful methods to take advantage of raw images on a Semi-Supervised Learning (SSL) setting is the Mean Teacher technique, where the operations of pseudo-labeling by the Teacher and the Knowledge Transfer from the Student to the Teacher take place simultaneously. However, the pseudo-labeling by thresholding is not the best solution since the confidence value is not strictly related to the prediction uncertainty, not permitting to safely filter predictions. In this paper, we introduce an additional classification task for bounding box localization to improve the filtering of the predicted bounding boxes and obtain higher quality on Student training. Furthermore, we empirically prove that bounding box regression on the unsupervised part can equally contribute to the training as much as category classification. Our experiments show that our IL-net (Improving Localization net) increases SSOD performance by 1.14% AP on COCO dataset in limited-annotation regime. The code is available at https://github.com/IMPLabUniPr/unbiased-teacher/tree/ilnet

arxiv情報

提供元, 利用サービス

arxiv.jp, Google