摘要

在大规模数据集中进行精确标注对于目标检测模型的性能至关重要。尽管目标检测任务需要大量标注样本以保证性能，但为每个样本中的每一个对象手动绘制边界框（bounding box）不仅耗时，而且成本高昂。为缓解这一问题，我们提出了一种基于一致性的半监督目标检测方法（Consistency-based Semi-supervised learning for object Detection, CSD），该方法通过充分利用可用的未标注数据，将一致性约束作为提升检测性能的工具。具体而言，一致性约束不仅应用于目标分类，还扩展至目标定位任务。此外，我们提出了背景消除（Background Elimination, BE）策略，以缓解主导背景对检测性能的负面影响。我们在单阶段和两阶段检测器上对所提出的CSD方法进行了全面评估，实验结果验证了该方法的有效性。