摘要
利用教师检测器为未标注目标生成的伪标签（如类别和边界框）已成为近期半监督目标检测（SSOD）取得进展的重要基础。然而，由于教师检测器受限于标注数据的稀缺，其泛化能力有限，导致生成的伪标签往往偏离真实标注，尤其在分类置信度较低的目标上更为显著，从而制约了SSOD模型的泛化性能。为缓解这一问题，本文提出一种面向SSOD的双通道伪标签精炼框架。不同于直接使用教师检测器生成的伪标签，我们首次采用双精炼学习策略，通过构建两个结构不同的精炼网络，分别基于合成的配对伪标签与真实标注（针对类别和边界框）对已标注目标进行训练，以有效降低伪标签与真实值之间的偏差。在此机制下，两个精炼网络能够充分挖掘初始伪标签所蕴含的上下文信息，从而为未标注目标生成更为准确的伪标签，显著提升SSOD的泛化能力。此外，该方案可无缝嵌入现有SSOD框架，支持端到端的联合训练。进一步地，我们提出将精炼后的未标注目标类别与边界框进行解耦处理，分别用于独立的类别分类与边界框回归，从而在训练过程中引入更多未标注样本，进一步提升模型性能。在PASCAL VOC与MS COCO两个基准数据集上的实验结果表明，所提方法在性能上显著优于现有最先进基线方法。