Agregar un “asistente” de aprendizaje: mejorando la calidad de pseudo-etiquetas para la detección de objectos semi-supervisada

Resumen

Este artículo se centra en la detección de objetos semisupervisada (SS-OD) por su tolerancia a pequeñas cantidades de muestras de entrenamiento, lo cual es común en aplicaciones del mundo real. Los enfoques basados en pseudoetiquetas han sido la corriente principal para SS-OD. En este artículo, primero mostramos el impacto del pseudoetiquetado y el desafío de producir dichas etiquetas. En contraste con investigaciones anteriores que se centraron en perfeccionar el modelo principal para mejorar la localización, este artículo presenta una estrategia novedosa, en la que un “Asistente de Profesor” independiente o simplemente un “Asistente” participa en el popular paradigma Profesor/Estudiante para mejorar la calidad de la enseñanza. pseudoetiquetas. Este “Asistente” se puede conectar a cualquier marco existente basado en Profesor/Estudiante sin tener que ajustar el modelo original de Profesor/Estudiante. Explotamos dos modelos “Asistentes”, los cuales se centran en el método de supresión no máxima (NMS), una técnica popular utilizada para seleccionar solo los cuadros delimitadores prometedores. El primer modelo “Asistente” se denomina asistente “pre-NMS” y refina las puntuaciones del cuadro delimitador candidato para obtener un mejor conjunto de entradas al proceso NMS. El segundo modelo “Asistente” se conoce como asistente “post-NMS” y aprovecha los modelos de segmentación SOTA para mejorar el resultado del proceso NMS. Evaluamos minuciosamente el rendimiento de pre-NMS frente a post-NMS y el impacto de las pseudoetiquetas mejoradas en el rendimiento de detección de objetos. Los resultados experimentales en el conjunto de datos COCO demuestran que el asistente post-NMS es mejor en comparación con los métodos SOTA.