Überdenken von Pseudo-Labels für halbüberwachtes Objekterkennung

Jüngste Fortschritte in der halbüberwachten Objekterkennung (SSOD) werden überwiegend durch konsistenzbasierte Pseudo-Labeling-Methoden für Bildklassifizierungsaufgaben angetrieben, die Pseudo-Labels als supervisierende Signale erzeugen. Bei der Verwendung von Pseudo-Labels wird jedoch die Lokalisierungsgenauigkeit und die verstärkte Klassenimbalanz, die für Erkennungsaufgaben entscheidend sind, nicht berücksichtigt. In diesem Papier stellen wir sicherheitsbewusste Pseudo-Labels vor, die auf die Objekterkennung zugeschnitten sind und die Qualität der Klassifikation und Lokalisierung der abgeleiteten Pseudo-Labels effektiv schätzen können. Dies wird erreicht, indem die konventionelle Lokalisierung als Klassifikationsaufgabe gefolgt von einer Verfeinerung umgewandelt wird. Basierend auf den Qualitätsbewertungen von Klassifikation und Lokalisierung passen wir dynamisch die Schwellenwerte an, die zur Generierung von Pseudo-Labels verwendet werden, und gewichten die Verlustfunktionen für jede Kategorie neu, um das Problem der Klassenimbalanz zu verringern. Umfangreiche Experimente zeigen, dass unsere Methode die Leistung von SSOD im Vergleich zum Stand der Technik um 1-2% AP auf COCO und PASCAL VOC verbessert und orthogonal sowie komplementär zu den meisten bestehenden Methoden ist. Im begrenzten Annotierungsregime verbessert unser Ansatz die überwachten Baseline um bis zu 10% AP, indem nur 1-10% der beschrifteten Daten aus COCO verwendet werden.