Low-Confidence Samples Mining for Semi-supervised Object Detection

要約

ラベルのないデータからの信頼できる擬似ラベルは、半教師あり物体検出 (SSOD) において重要な役割を果たします。
ただし、最先端の SSOD メソッドはすべて、信頼度の高い擬似ラベルに依存しており、信頼度の低い貴重な擬似ラベルは無視されます。
さらに、ラベルのないデータの発掘が不十分なため、再現率が過度に低くなり、ネットワークのトレーニングに悪影響を及ぼします。
この論文では、信頼性の低い疑似ラベルを効率的に利用するための新しい低信頼性サンプル マイニング (LSM) 手法を提案します。
具体的には、低解像度の機能マップを考慮して追加の擬似情報マイニング (PIM) ブランチを開発し、IoU が小規模エリアのものよりも高い、信頼できる大エリア インスタンスを抽出します。
PIM とメイン ブランチ間の補完的な予測により、相互学習方式で両方を補う自己蒸留 (SD) をさらに設計します。
一方、上記のアプローチの拡張性により、LSM をそれぞれ Faster-RCNN と Deformable-DETR に適用することができます。
MS-COCO ベンチマークでは、当社のメソッドは 5% の標識率で最先端のメソッドと比較して 3.54% の mAP 改善を達成しました。

要約(オリジナル)

Reliable pseudo-labels from unlabeled data play a key role in semi-supervised object detection (SSOD). However, the state-of-the-art SSOD methods all rely on pseudo-labels with high confidence, which ignore valuable pseudo-labels with lower confidence. Additionally, the insufficient excavation for unlabeled data results in an excessively low recall rate thus hurting the network training. In this paper, we propose a novel Low-confidence Samples Mining (LSM) method to utilize low-confidence pseudo-labels efficiently. Specifically, we develop an additional pseudo information mining (PIM) branch on account of low-resolution feature maps to extract reliable large-area instances, the IoUs of which are higher than small-area ones. Owing to the complementary predictions between PIM and the main branch, we further design self-distillation (SD) to compensate for both in a mutually-learning manner. Meanwhile, the extensibility of the above approaches enables our LSM to apply to Faster-RCNN and Deformable-DETR respectively. On the MS-COCO benchmark, our method achieves 3.54% mAP improvement over state-of-the-art methods under 5% labeling ratios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google