摘要

尽管实例分割方法已经取得了显著进步，但主流范式仍然依赖于完全注释的训练图像，而这些图像的获取非常繁琐。为了减轻对完全注释数据的依赖并提升性能，半监督方法利用未标记数据作为额外的训练信号，以减少对已标记样本的过拟合。在此背景下，我们提出了一些新的设计选择，以显著改进教师-学生蒸馏模型。具体而言，我们（i）通过引入一种新颖的“引导预热”阶段来改进蒸馏方法；（ii）评估了不同的实例分割架构以及主干网络和预训练策略。与以往仅在学生模型的预热期使用有监督数据的工作不同，我们还利用教师模型的指导，在预热期中利用未标记数据。我们的改进蒸馏方法在先前的最佳结果上实现了显著提升。例如，在Cityscapes数据集上，当使用10%的图像标签时，我们的方法将mask-AP从23.7提高到33.9；而在COCO数据集上，当仅使用1%的训练数据标签时，我们的方法将mask-AP从18.3提高到34.1。