(2022 CVPR) Unbiased Teacher v2

Unbiased Teacher v2: Semi-supervised Object Detection for Anchor-free and Anchor-based Detectors

https://github.com/facebookresearch/unbiased-teacher-v2

Motivation

SSOD仍有两个问题没有得到解决:
(1)there is no prior SS-OD work on anchor-free detectors.
(2)prior works are ineffective in pseudo-labeling on the bounding box regression.
现有的SS-OD工作对confidence阈值(即bbox score的阈值)生成的伪框应用无监督回归损失。潜在问题：
(1)与其使用单一的度量标准(e.g., box score or box IoU)来共同表示四个边界的质量，不如单独预测每个boundary的 confidence/uncertainty;
(2)分类分支的置信度可能不能反映回归分支boundary预测的质量。我们提出预测回归分支上的uncertainty，以选择伪标签进行边界预测;
(3)单纯依靠Teacher的confidence/uncertainty预测来选择回归的伪标签并不能防止回归任务的misleading instances。我们提出利用教师和学生之间的相对不确定性来选择boundary level的伪标签，其中教师的不确定性比学生的低。

Method

1. 仅根据分类分数选择伪框(忽略centerness scores)
2. 不使用中心采样，而是使用标准的标签分配方法，将边界框内的所有元素标记为前景，其余元素标记为背景。
3. predict the localization uncertainty
   每个边界预测的局部化不确定性都是通过增加一个额外的分支来推导的，该分支的输出大小与边界距离回归分支相同。局部不确定性分支与边界距离分支联合训练，采用负幂对数似然损失(NPLL)作为回归损失
   
   

教师应该只在教师的不确定性比学生低的情况下指导学生。定位不确定性分支是一个单独的分支，只在训练阶段使用，因此在推理过程中不引入额外的计算。

Experiment

Others

简单地将现有的最先进的SS-OD方法应用在anchor-free detectors上，与anchor-based detectors相比，得到的改进要小得多。我们将此归因于以下两个因素:
Centerness bias issue
在半监督设置下，基于框分数选择伪框比单纯依赖分类分数表现更差，而FCOS在全监督设置下使用框分数会导致更好的结果。这是因为某些anchor-free detectors的bbox score被定义为分类scores与centerness scores的乘积。根据bbox score选择的伪框，centerness score较高，分类score较低。这说明在伪标注机制中，bbox score以centerness score为主。然而，由于训练中使用的标签数量有限，centerness score不能可靠地反映预测是否为前景实例，因为centerness分支中没有监督来抑制background instance的centerness score，因此centerness高的instance有可能是背景，在半监督训练中加入这些假阳性伪框会降低伪标记的有效性，并加剧Centerness bias问题。
Unreliable Label Assignment.

最后

以上就是现代未来为你收集整理的(2022 CVPR) Unbiased Teacher v2的全部内容，希望文章能够帮你解决(2022 CVPR) Unbiased Teacher v2所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。