摘要

近年来，半监督目标检测（Semi-Supervised Object Detection, SSOD）的进展主要得益于基于一致性原则的伪标签方法，该方法在图像分类任务中通过生成伪标签作为监督信号。然而，在目标检测任务中应用伪标签时，现有方法普遍忽视了定位精度的考量，同时加剧了类别不平衡问题，而这二者对于检测任务至关重要。为此，本文提出一种面向目标检测的置信度感知伪标签（certainty-aware pseudo labels）方法，能够有效评估所生成伪标签在分类与定位两方面的质量。该方法通过将传统的定位回归任务转化为分类任务，并在此基础上进行精细化优化实现。基于分类与定位质量评分，我们动态调整生成伪标签的阈值，并对各类别的损失函数进行重加权，以缓解类别不平衡问题。大量实验表明，所提方法在COCO和PASCAL VOC数据集上将当前最优的SSOD性能提升了1%-2%的AP值，且与大多数现有方法具有正交性与互补性。在标注数据极为有限的场景下，仅使用COCO数据集中1%-10%的标注样本，该方法即可使监督学习基线模型的性能提升高达10%的AP值。