ECCV 2024|CamoTeacher:玩转半监督伪装物体检测,双旋转一致性动态调整样本权重

AI最新资讯1个月前发布 tree
12 0 0

今日应用


今日话题


ECCV 2024|CamoTeacher:玩转半监督伪装物体检测,双旋转一致性动态调整样本权重
ECCV 2024|CamoTeacher:玩转半监督伪装物体检测,双旋转一致性动态调整样本权重
 

重点标签 半监督学习伪装物体检测CamoTeacherDRCL伪标签噪声

文章摘要


本文介绍了一种名为CamoTeacher的端到端半监督伪装物体检测模型,旨在解决半监督伪装物体检测中伪标签噪声问题。该模型通过引入双旋转一致性学习(DRCL)方法,包括像素级一致性学习(PCL)和实例级一致性学习(ICL),有效利用伪标签信息并提高模型性能。实验结果表明,CamoTeacher在减少标注需求的同时,达到了与全监督学习方法相媲美的性能。

伪装物体检测(COD)的挑战:
– 低对比度、相似纹理和模糊边界使得COD任务复杂。

半监督学习的应用:
– 利用标记和未标记数据,但受到伪标签中噪声的严重影响。

伪标签噪声的分类:
1. 像素级噪声:伪标签内部的标注不一致。
2. 实例级噪声:不同伪标签间的噪声水平变化。

CamoTeacher框架:
– 结合DRCL方法,通过PCL和ICL动态调整伪标签权重。

实验结果:
– 在四个COD基准数据集上,CamoTeacher达到了最先进的水平,显著降低了标注要求。

方法论:
– 使用Mean Teacher作为初步方案,实现端到端的半监督框架。
– 采用弱数据增强和强数据增强策略。

双旋转一致性学习(DRCL):
– 通过两个旋转视图计算像素级不一致性和实例级一致性。
– PCL为伪标签中的不同部分分配可变权重。
– ICL根据实例级一致性调整伪标签的重要性。

实验设置:
– 在四个COD基准数据集上评估CamoTeacher。
– 使用6个常见评估指标。

技术专栏与资源:
– 提供多模态大模型、Transformer系列、ICCV2023论文解读等技术专栏。
– 提供100+深度学习各方向资源整理。

点击阅读原文,加入CV社区,获取更多技术干货。

文章来源


原文地址: 点我阅读全文
原文作者: 极市平台

© 版权声明

相关文章

暂无评论

暂无评论...