摘要

目标实例间的尺度变化仍是目标检测任务中的一个关键挑战。尽管现代检测模型取得了显著进展，但在半监督学习场景下，这一问题尤为突出。现有半监督目标检测方法通常依赖严格条件从网络预测中筛选高质量的伪标签，然而我们观察到，尺度极端的目标往往具有较低的置信度，导致这些目标缺乏有效的正样本监督。为此，本文提出一种新颖的框架，通过引入混合尺度教师（mixed scale teacher）来提升伪标签生成质量，并实现尺度不变的学习。此外，我们提出一种基于多尺度预测置信度提升的伪标签挖掘策略，该策略充分利用了混合尺度特征带来的更优预测结果。在MS COCO和PASCAL VOC基准数据集上，针对多种半监督设置的大量实验表明，所提方法取得了新的最先进性能。代码与模型已开源，地址为：\url{https://github.com/lliuz/MixTeacher}。