摘要
由于真实应用场景中标注数据成本高昂，基于伪标签机制的半监督目标检测方法备受关注。然而，处理模糊样本（confusing samples）仍具挑战性：若直接丢弃这些有价值的模糊样本，将损害模型的泛化能力；而若直接将其用于训练，则可能因不可避免的误标注问题加剧确认偏误（confirmation bias）现象。为解决该问题，本文提出一种无需进行标签修正的主动利用模糊样本的方法。具体而言，为每个模糊样本分配一个虚拟类别（Virtual Category, VC），使其即使在缺乏明确真实标签的情况下，也能安全地参与模型优化过程。该方法的核心思想在于，将训练样本与虚拟类别之间的嵌入距离设定为类间距离的下界，从而保证模型学习的稳定性与有效性。此外，本文还对定位损失函数进行了改进，以促进更高质量的边界预测。大量实验结果表明，所提出的VC学习方法显著优于现有最先进方法，尤其在标注数据极为有限的情况下表现更为突出。