摘要
现有的阴影检测方法在很大程度上依赖于有限的标注数据集，因而存在固有的局限性，在某些复杂场景下可能产生较差的检测效果。为提升阴影检测性能，本文提出一种基于半监督学习的多任务均值教师（multi-task mean teacher）模型，通过充分利用未标注数据，并同时学习阴影的多种信息来实现性能增强。具体而言，我们首先构建一个基于多任务的基准模型，该模型能够同时检测阴影区域、阴影边缘以及阴影数量，利用三者之间的互补信息，并将该基准模型分别作为学生网络和教师网络的初始化结构。随后，针对未标注数据，我们通过强制学生网络与教师网络在三个任务上的预测结果保持一致，计算一致性损失，并将其与基于标注数据的监督损失（由多任务基准模型的预测结果获得）相结合，共同构成总损失函数。在三个广泛使用的基准数据集上的实验结果表明，所提方法在各项指标上均持续优于所有对比的先进方法，验证了该网络能够有效利用额外的未标注数据，显著提升阴影检测的性能。