端到端的半监督学习目标检测算法:OneTeacher 助力小数据量的检测任务

        在本论文中专注于先进和流行的单阶段检测网络YOLOv5的半监督学习。与更快的RCNN相比，YOLOv5的实现要 复杂得多，YOLOv5中使 用的各种训练技术也会降低SSOD的益处。除了这一-挑战， 我们还揭示了单阶段SSOD中的两个关键问题，分别是低质量伪标记和多任务优化冲突。为了解决这些问题，我们提出了- -种名为OneTeacher的新型师生学习方法，该方法具有两种创新设计，即多视图伪标签优化(MPR) 和解耦半监督优化(DSO)。特别是，MPR通过增强视图细化和全局视图过滤提高了伪标签的质量，DSO通过结构调整和任务特定伪标签处理联合优化冲突。此外，还仔细修改YOLOv5的实现，以最大化SSOD的好处,这也与现有的SSOD方法共享，以进行公平比较。为了验证OneTeacher,我们对COCO和Pascal VOC进行了广泛的实验。广泛的实验表明，OneTeacher不仅可以实现优于比较方法的性能,例如，与无偏教师相比，相对AP增益为15.0%，而且可以很好地处理单阶段SSOD中的关键问题。