摘要

随着半监督目标检测（Semi-Supervised Object Detection, SS-OD）技术的近期发展，目标检测器能够通过少量标注数据与大量未标注数据实现性能提升。然而，当前方法仍面临两个尚未解决的关键挑战：（1）现有研究尚未在无锚框（anchor-free）检测器上开展半监督学习工作；（2）在伪标签对边界框回归任务进行标注时，已有方法效果不佳。本文提出Unbiased Teacher v2，首次将半监督目标检测方法成功推广至无锚框检测器，并引入“Listen2Student”机制以应对无监督回归损失问题。具体而言，我们首先系统评估了现有SS-OD方法在无锚框检测器上的有效性，发现其在半监督设置下性能提升幅度显著低于预期。进一步分析表明，无锚框检测器中常用的基于中心度（centerness）的候选框筛选机制以及基于定位的标签分配策略，在半监督场景下难以保持稳定与有效。针对上述问题，本文提出的“Listen2Student”机制能够显式抑制边界框回归训练过程中由误导性伪标签带来的负面影响。为此，我们设计了一种新颖的伪标签选择机制，该机制基于教师模型（Teacher）与学生模型（Student）之间的相对不确定性进行动态筛选，从而提升伪标签的质量。所提方法不仅适用于无锚框检测器，也兼容传统基于锚框的方法，在PASCAL VOC、COCO-standard以及COCO-additional等多个标准数据集上，均持续优于当前最优的半监督目标检测方法，展现出良好的泛化能力与稳定性能。