Consistent-Teacher: 반자율 객체 탐지에서 불일치하는 의사 목표 감소를 위한 접근

본 연구에서는 반자율 객체 탐지(SSOD)에서 의사 목표의 불일치 문제를 깊이 파고들었습니다. 우리의 핵심 관찰 결과는 진동하는 의사 목표가 정확한 탐지기 훈련을 저해한다는 것입니다. 이는 학생의 훈련에 노이즈를 주어 심각한 과적합 문제를 발생시킵니다. 따라서 우리는 불일치를 줄이기 위한 체계적인 솔루션인 Consistent-Teacher를 제안합니다. 첫째, 적응형 앵커 할당(ASA)은 정적인 IoU 기반 전략을 대체하여 학생 네트워크가 노이즈가 포함된 의사 경계 상자에 저항할 수 있도록 합니다. 다음으로 3D 특성 정렬 모듈(FAM-3D)을 설계하여 하위 작업 예측을 조정합니다. 이를 통해 각 분류 특성은 임의의 규모와 위치에서 회귀 작업을 위한 최적 특성 벡터를 적응형으로 쿼리할 수 있습니다. 마지막으로, 가우시안 혼합 모델(GMM)은 의사 경계 상자의 점수 임계값을 동적으로 수정하여 초기 단계에서 실제 정답 수를 안정화하고 훈련 중 신뢰할 수 없는 감독 신호를 보완합니다. Consistent-Teacher는 다양한 SSOD 평가에서 강력한 결과를 제공합니다. 우리는 주석이 달린 MS-COCO 데이터의 10%만으로 ResNet-50 백본에서 40.0 mAP를 달성하며, 이는 의사 레이블을 사용한 이전 기준선을 약 3 mAP 초월합니다. 완전 주석이 달린 MS-COCO와 추가 비주석 데이터를 사용하여 훈련할 경우 성능이 47.7 mAP로进一步 증가합니다. 우리의 코드는 https://github.com/Adamdad/ConsistentTeacher에서 확인할 수 있습니다.