稀疏半DETR：用于半监督目标检测的稀疏可学习查询

本文针对基于DETR的半监督目标检测（SSOD）框架的局限性展开研究，重点聚焦于目标查询（object queries）质量所带来的挑战。在现有的DETR-based SSOD方法中，一对一匹配策略会导致伪标签生成不准确，而一对多匹配策略则引发预测结果的重叠问题。这些缺陷严重制约了训练效率，并损害了模型性能，尤其是在检测小目标或部分遮挡目标时表现尤为明显。为此，本文提出一种新型基于Transformer的端到端半监督目标检测方法——Sparse Semi-DETR，以有效应对上述挑战。Sparse Semi-DETR引入了查询优化模块（Query Refinement Module），通过提升目标查询的质量，显著增强了模型对小目标及部分遮挡目标的检测能力。此外，该方法还集成了一种可靠伪标签过滤模块（Reliable Pseudo-Label Filtering Module），能够有选择性地筛选出高质量的伪标签，从而进一步提升检测的准确性和一致性。在MS-COCO与Pascal VOC两大主流目标检测基准测试中，Sparse Semi-DETR均显著优于当前最先进的方法，充分验证了其在半监督目标检测任务中的有效性，尤其在处理小目标或部分遮挡等复杂场景下展现出突出优势。