.png){kind=icon}
返回
OBEPA: Object-embedding Predictive Alignment for Semi-Supervised Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.112057.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着半监督目标检测（SSOD）的快速发展，目标检测器的性能得到了显著提升。尽管取得了有前景的结果，但现有的SSOD方法主要关注于选择最优伪标签或缓解噪声伪标签的负面影响，很少有工作关注探索嵌入对齐技术在SSOD中的有效性。在本文中，我们通过引入嵌入预测器和目标嵌入对比学习，提出了面向SSOD的对象嵌入预测对齐（OBEPA）。嵌入预测器通过在嵌入对齐之前在学生分支中添加一个小型卷积网络来实现，这可以减少教师分支和学生分支之间嵌入的差异。目标嵌入对比学习通过提出平衡的层次化嵌入聚类和目标感知的InfoNCE损失来增强对象级别的嵌入判别性。具体而言，在学生分支和教师分支中，我们将图像内所有像素级表示分别分组到多个聚类中。学生分支中每个像素嵌入的正对比样本来自教师分支中的对应嵌入，而负对比样本则从其他嵌入聚类中采样。在两个SSOD基准测试（包括MS-COCO和Pascal VOC）上对所提出方法的评估表明，其优于先前的最先进方法。
Keyword:
Semi-Supervised Object Detection
Embedding Alignment
Pseudo-Labeling
Contrastive Learning
Object-Level Discriminability
