摘要

基于监督学习的目标检测框架需要大量耗时的手动标注数据，在实际应用中可能难以实现。半监督目标检测（Semi-Supervised Object Detection, SSOD）能够有效利用未标注数据提升模型性能，对目标检测模型的实际应用具有重要意义。本文重新审视了SSOD任务，提出了一种完全端到端且高效的SSOD框架——Instant-Teaching。该框架在每一训练迭代中，通过引入扩展的弱-强数据增强策略，实现即时伪标注（instant pseudo labeling）以指导模型学习。为进一步缓解确认偏差问题并提升伪标注的质量，我们进一步提出了基于Instant-Teaching的协同修正机制，记为Instant-Teaching$^*$。在MS-COCO和PASCAL VOC两个数据集上的大量实验充分验证了所提框架的优越性。具体而言，在仅使用2%标注数据的情况下，我们的方法在MS-COCO数据集上比当前最优方法高出4.2 mAP；即便在使用MS-COCO全部标注信息的全监督设置下，所提方法仍比现有先进方法高出约1.0 mAP。在PASCAL VOC数据集上，当以VOC07作为标注数据、VOC12作为未标注数据时，我们的方法实现了超过5 mAP的性能提升。