摘要
本研究聚焦于半监督目标检测（Semi-Supervised Object Detection, SSOD），旨在通过引入额外的未标注数据提升检测器性能。近期，基于自训练（self-training）的方法在SSOD任务中取得了最先进的性能，其训练监督信号由真实标注（ground truths）与伪标签（pseudo-labels）共同构成。然而，在当前研究中，我们观察到SSOD中类别不平衡问题严重制约了自训练的有效性。为缓解这一问题，本文提出一种自适应类别再平衡自训练方法（Adaptive Class-Rebalancing Self-Training, ACRST），并设计了一种新颖的记忆模块——CropBank。ACRST通过从CropBank中提取前景实例，自适应地对训练数据进行类别再平衡，从而有效缓解类别不平衡问题。由于目标检测任务本身具有较高的复杂性，我们进一步发现，自训练与数据再平衡均易受到伪标签噪声的干扰。为此，本文提出一种新颖的两阶段过滤算法，以生成更为准确的伪标签。所提方法在MS-COCO与VOC基准测试上均取得了显著提升。在仅使用1%标注数据的MS-COCO设置下，该方法相比监督学习基线实现了17.02 mAP的性能提升，相较于当前最先进方法亦取得了5.32 mAP的改进。