基于改进Dense Teacher的半监督目标检测算法

来源：计算机技术与发展杂志2024年第12期北京时间：

作者：林紫心;陈东方;王晓峰;

摘要：在深度学习目标检测领域中,标注数据的复杂性对半监督目标检测技术的发展起到了推动作用。 近期,无锚框目标检测器在半监督目标检测中的应用逐渐增多。 然而,现有方法仍面临特征表达不足和伪标签质量参差不齐的挑战。 为解决这一问题,该文提出了一种基于优化 Dense Teacher 的半监督目标检测算法。 首先,通过设计通道信息增强的特征金字塔(CIE-FPN),优化了特征图的感受野和特征融合,旨在捕获更丰富的全局特征信息。 其次,采用伪标签双分支处理策略,以解决分类与检测任务在伪标签需求上的不一致性,从而提高伪标签的可靠性。 实验结果表明,在 COCO 数据集仅使用 10% 有标注数据的条件下,与基线网络 Dense Teacher 相比,提出的改进算法在提升无锚框半监督目标检测性能方面取得了明显效果。

关键词：无锚框目标检测器;特征融合;伪标签;双分支处理策略;半监督学习;半监督目标检测