
摘要
我们介绍了Polite Teacher,这是一种简单而有效的方法,用于半监督实例分割任务。所提出的架构基于教师-学生互学框架。为了过滤掉噪声伪标签,我们对边界框采用了置信度阈值法,并对掩码进行了评分。该方法已在CenterMask(一种单阶段无锚点检测器)上进行了测试。在COCO 2017验证数据集上的实验结果表明,我们的架构在不同的监督条件下显著提高了基线性能(掩码AP约提高8个百分点)。据我们所知,这是最早解决半监督实例分割问题的工作之一,也是首个专门针对无锚点检测器的研究。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| semi-supervised-instance-segmentation-on-coco-4 | Polite Teacher (ResNet50) | mask AP: 18.33 |
| semi-supervised-instance-segmentation-on-coco-5 | Polite Teacher (ResNet50) | mask AP: 22.28 |
| semi-supervised-instance-segmentation-on-coco-6 | Polite Teacher (ResNet50) | mask AP: 26.46 |
| semi-supervised-instance-segmentation-on-coco-7 | Polite Teacher (ResNet50) | mask AP: 30.08 |