Adaptive Dense Pseudo Label Selection for Semi-supervised Oriented Object Detection

要約

最近、複雑な後処理ステップを必要とせずに教師モデルの元の出力から擬似ラベルを直接選択する高密度擬似ラベルが、半教師ありオブジェクト検出 (SSOD) で大きな注目を集めています。
ただし、航空シーンで一般的な多方向の高密度オブジェクトの場合、既存の高密度擬似ラベル選択方法は非効率的であり、半教師あり指向オブジェクト検出のパフォーマンスを妨げます。
したがって、半教師あり指向オブジェクト検出のための適応密擬似ラベル選択 (ADPLS) を提案します。
ADPLS では、高密度の擬似ラベルの選択をガイドするための、シンプルだが効果的な適応メカニズムを設計します。
具体的には、潜在的なオブジェクトの密度を推定する平均特徴リッチネス スコア (mFRS) を提案し、このスコアを使用して密な擬似ラベルの数を調整します。
DOTA-v1.5 ベンチマークでは、提案された方法は、特にラベル付きデータが不足している場合に、以前の方法よりも優れたパフォーマンスを示します。
たとえば、注釈付きデータが 5% のみの場合に 49.78 mAP を達成します。これは、注釈付きデータが 10% である場合の以前の最先端の方法の 1.15 mAP を上回ります。
私たちのコードは間もなく利用可能になります。

要約(オリジナル)

Recently, dense pseudo-label, which directly selects pseudo labels from the original output of the teacher model without any complicated post-processing steps, has received considerable attention in semi-supervised object detection (SSOD). However, for the multi-oriented and dense objects that are common in aerial scenes, existing dense pseudo-label selection methods are inefficient and impede the performance in semi-supervised oriented object detection. Therefore, we propose Adaptive Dense Pseudo Label Selection (ADPLS) for semi-supervised oriented object detection. In ADPLS, we design a simple but effective adaptive mechanism to guide the selection of dense pseudo labels. Specifically, we propose the mean Feature-Richness Score (mFRS) to estimate the density of potential objects and use this score to adjust the number of dense pseudo labels. On the DOTA-v1.5 benchmark, the proposed method outperforms previous methods especially when labeled data are scarce. For example, it achieves 49.78 mAP given only 5% of annotated data, which surpasses previous state-of-the-art method given 10% of annotated data by 1.15 mAP. Our codes will be available soon.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google