ECCV 2024｜CamoTeacher：玩转半监督伪装物体检测，双旋转一致性动态调整样本权重

今日应用

火山AI写作

火山写作，字节跳动出品的免费AI中英文写作纠错与润色工具，助你写出更优质、更流畅的文章。

今日话题

ECCV 2024｜CamoTeacher：玩转半监督伪装物体检测，双旋转一致性动态调整样本权重

 

重点标签 半监督学习、伪装物体检测、CamoTeacher、DRCL、伪标签噪声

文章摘要

本文介绍了一种名为CamoTeacher的端到端半监督伪装物体检测模型，旨在解决半监督伪装物体检测中伪标签噪声问题。该模型通过引入双旋转一致性学习（DRCL）方法，包括像素级一致性学习（PCL）和实例级一致性学习（ICL），有效利用伪标签信息并提高模型性能。实验结果表明，CamoTeacher在减少标注需求的同时，达到了与全监督学习方法相媲美的性能。

伪装物体检测（COD）的挑战：
– 低对比度、相似纹理和模糊边界使得COD任务复杂。

半监督学习的应用：
– 利用标记和未标记数据，但受到伪标签中噪声的严重影响。

伪标签噪声的分类：
1. 像素级噪声：伪标签内部的标注不一致。
2. 实例级噪声：不同伪标签间的噪声水平变化。

CamoTeacher框架：
– 结合DRCL方法，通过PCL和ICL动态调整伪标签权重。

实验结果：
– 在四个COD基准数据集上，CamoTeacher达到了最先进的水平，显著降低了标注要求。

方法论：
– 使用Mean Teacher作为初步方案，实现端到端的半监督框架。
– 采用弱数据增强和强数据增强策略。

双旋转一致性学习（DRCL）：
– 通过两个旋转视图计算像素级不一致性和实例级一致性。
– PCL为伪标签中的不同部分分配可变权重。
– ICL根据实例级一致性调整伪标签的重要性。

实验设置：
– 在四个COD基准数据集上评估CamoTeacher。
– 使用6个常见评估指标。

技术专栏与资源：
– 提供多模态大模型、Transformer系列、ICCV2023论文解读等技术专栏。
– 提供100+深度学习各方向资源整理。

点击阅读原文，加入CV社区，获取更多技术干货。

文章来源

原文地址: 点我阅读全文
原文作者: 极市平台