摘要
深度学习已成为解决图像中目标检测任务的有效方法，但其代价是需要大规模标注数据集。为降低这一成本，半监督目标检测方法应运而生，这类方法通过利用大量未标注数据来提升性能，已展现出令人瞩目的效果。然而，大多数现有方法在生成伪标签时需通过设定阈值将伪标签与真实目标进行关联。在以往研究中，该阈值通常依赖人工经验设定，耗时且仅适用于单一数据分布。当数据域发生变化（即数据分布改变）时，必须重新进行昂贵的参数搜索，难以适应实际应用中的分布漂移问题。为此，本文提出一种简单而高效的方法——自适应自训练目标检测（Adaptive Self-Training for Object Detection, ASTOD）。该方法无需额外成本，即可直接基于得分直方图的真实值自动确定阈值，实现阈值的自适应调整。为进一步提升教师模型预测的质量，我们还设计了一种新颖的伪标签生成策略：在伪标签生成阶段，利用未标注图像的不同视角进行多视图推理，有效减少漏检现象，从而获得更高质量的候选标签。在训练过程中，教师模型与学生模型分别独立训练，且本方法支持迭代式更新机制——可将学生模型替换为新的教师模型，实现持续优化。在MS-COCO数据集上的实验表明，ASTOD在不依赖阈值参数的先进方法中始终表现优异，并在与需进行参数搜索的现有方法对比中展现出具有竞争力的性能。在包含卫星图像的DIOR数据集上，与监督基线方法相比的额外实验也得出一致结论，充分证明了本方法能够在不依赖人工调参的前提下，自动适应不同数据分布，实现得分阈值的自适应调整。相关代码已公开，地址为：https://github.com/rvandeghen/ASTOD