摘要
我们提出一种基于教师-学生双模型框架的半监督方法，用于现代目标检测器。本方法具有以下三个特点：1）采用指数移动平均策略，实现学生模型对教师模型的在线更新；2）利用大量区域提议（region proposals）和软伪标签（soft pseudo-labels）作为学生模型的训练目标；3）为教师模型设计了一种轻量级的检测专用数据集成（data ensemble）策略，以生成更可靠的伪标签。与近期最先进的方法STAC相比——STAC在稀疏选择的困难伪样本上使用硬标签，我们的模型通过在大量提议上使用软标签，向学生模型传递了更丰富的信息。在使用VOC12作为无标签数据的情况下，本方法在VOC07验证集上取得了53.04%的COCO风格AP，较STAC提升8.4%。在MS-COCO数据集上，当仅有少量数据作为标注数据时，本方法仍优于以往的工作。此外，通过充分利用与标注数据量相当的无标签数据，本方法在MS-COCO test-dev集上达到了53.8%的AP，相比完全监督的ResNet-152级联R-CNN模型，实现了3.1%的显著提升。