抗模糊半监督学习用于密集物体检测

利用基本的半监督目标检测（SSOD）技术，单阶段检测器相比两阶段检测器通常只能获得有限的性能提升。我们通过实验发现，问题的根源在于两种模糊性：(1) 选择模糊性，即选定的伪标签准确性较低，因为分类得分无法恰当地表示定位质量；(2) 分配模糊性，即在伪标签分配过程中样本被错误地匹配到不合适的标签上，这是因为策略受到漏检对象和不准确的伪框的影响而误导。为了解决这些问题，我们提出了一种针对单阶段检测器的抗模糊半监督学习方法（ARSL）。具体而言，为了缓解选择模糊性，我们提出了联合置信度估计（JCE），该方法可以同时量化伪标签的分类和定位质量。对于分配模糊性，则引入了任务分离分配（TSA），该方法基于像素级预测而不是不可靠的伪框来分配标签。它采用了“分而治之”的策略，分别利用正样本进行分类和定位任务，从而对分配模糊性具有更强的鲁棒性。广泛的实验表明，ARSL有效地减轻了这些模糊性，并在MS COCO和PASCAL VOC数据集上实现了最先进的SSOD性能。代码可以在 https://github.com/PaddlePaddle/PaddleDetection 获取。