摘要
半监督目标检测（Semi-Supervised Object Detection, SSOD）随着基于伪标签的端到端方法的发展取得了显著进展。然而，许多现有方法仍面临类别不平衡问题的挑战，这严重影响了伪标签生成器的性能。此外，现有研究普遍发现，低质量的伪标签严重制约了SSOD的整体表现。本文深入分析了低质量伪标签的根本成因，并提出了一系列创新的学习机制以提升伪标签生成的质量。为应对高漏检率（高假阴性率）和低精度的问题，本文引入了一种自适应阈值机制，使所提出的网络能够有效筛选出最优的候选边界框。为进一步提升边界框定位的准确性，我们设计了Jitter-Bagging模块，通过引入多样化的扰动信息，增强模型对目标位置的感知能力，从而实现对边界框的精细化优化。此外，本文还提出了两种新型损失函数，分别利用教师网络和学生网络预测的背景与前景得分，以提升伪标签的召回率。同时，本方法通过对教师网络施加严格的监督策略——即同时输入强增强与弱增强的数据——以生成更具鲁棒性的伪标签，从而有效提升对小尺寸及复杂结构目标的检测能力。大量实验结果表明，所提出的模型在MS-COCO和Pascal VOC两个主流数据集上均显著优于当前最先进的方法。尤其值得注意的是，该方法仅需20%的标注数据，即可使基线网络达到100%全监督训练下的性能水平，充分验证了其在极低标注成本下的高效性与优越性。