国产肉体XXXX裸体137大胆,国产成人久久精品流白浆,国产乱子伦视频在线观看,无码中文字幕免费一区二区三区 国产成人手机在线-午夜国产精品无套-swag国产精品-国产毛片久久国产

博客專欄

EEPW首頁 > 博客 > Trans論文 | Proposal Learning用于半監(jiān)督的目標(biāo)檢測

Trans論文 | Proposal Learning用于半監(jiān)督的目標(biāo)檢測

發(fā)布人:CV研究院 時間:2023-04-18 來源:工程師 發(fā)布文章
這次分享的以半監(jiān)督目標(biāo)檢測為研究對象,通過對有標(biāo)簽和無標(biāo)簽數(shù)據(jù)的訓(xùn)練,提高了基于候選的目標(biāo)檢測器(即two-stages目標(biāo)檢測器)的檢測精度。然而,由于真值標(biāo)簽的不可用性,在未標(biāo)記的數(shù)據(jù)上訓(xùn)練目標(biāo)檢測器是非常重要的。


概要

為了解決這個問題,于是就提出了一個 proposal learning方法從標(biāo)記和未標(biāo)記的數(shù)據(jù)中學(xué)習(xí)候選的特征和預(yù)測。該方法由自監(jiān)督候選學(xué)習(xí)模塊和基于一致性的候選學(xué)習(xí)模塊組成。在自監(jiān)督候選學(xué)習(xí)模塊中,分別提出了一個候選位置損失和一個對比損失來學(xué)習(xí)上下文感知和噪聲魯棒的候選特征;在基于一致性的候選學(xué)習(xí)模塊中,將一致性損失應(yīng)用于候選的邊界框分類和回歸預(yù)測,以學(xué)習(xí)噪聲穩(wěn)健的候選特征和預(yù)測。

最后,在COCO數(shù)據(jù)集上對所有可用的有標(biāo)簽和無標(biāo)簽數(shù)據(jù)進行了實驗。結(jié)果表明,新方法一致地提高了全監(jiān)督基線的精度。特別是在結(jié)合了數(shù)據(jù)蒸餾之后,新方法與全監(jiān)督基線和數(shù)據(jù)蒸餾基線相比,平均提高AP約2.0%和0.9%。

新框架

圖片

 Problem Definition

在半監(jiān)督目標(biāo)檢測( Semi-Supervised Object Detec-

tion (SSOD) 中,一組標(biāo)記數(shù)據(jù)D_l={(I,G)}和一組給出了未標(biāo)記數(shù)據(jù)的D_u={I},其中I和G分別表示圖像和真值標(biāo)簽。在目標(biāo)檢測中,G由一組具有位置和目標(biāo)類的對象組成。SSOD的目標(biāo)是訓(xùn)練目標(biāo)檢測器,包括標(biāo)記數(shù)據(jù)D_l和未標(biāo)記數(shù)據(jù)D_u。

The Overall Framework

對于每一個標(biāo)記數(shù)據(jù)(I,G)∈D_l,根據(jù)標(biāo)準(zhǔn)的全監(jiān)督損失定義訓(xùn)練目標(biāo)檢測器是簡單的,如下公式:

圖片

其中第二項分別表示RPN損失和R-CNN損失。該損失在反向傳播過程中優(yōu)化θb、θrpn、θr-cnn、θcls、θreg去訓(xùn)練目標(biāo)檢測器。有關(guān)損失函數(shù)的更多詳細信息,請參見:

Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun. Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE transactions on pattern analysis and machine intelligence, 39(6):1137–1149, 2017

將上面公式中定義的標(biāo)準(zhǔn)全監(jiān)督損失應(yīng)用于標(biāo)記數(shù)據(jù)dL,將自監(jiān)督候選學(xué)習(xí)損失Lself和基于一致性的候選學(xué)習(xí)損失Lcons應(yīng)用于未標(biāo)記數(shù)據(jù)dU。通過優(yōu)化反向傳播過程中的損失方程中的θb,θrpn,θr-cnn,θcls,θreg,θself,對目標(biāo)檢測器進行了訓(xùn)練:

圖片

然后將總損失寫成如下:

圖片

 Self-Supervised Proposal Learning

圖片

為了計算對比損失,使用instance discrimination作為pretext task:

圖片

結(jié)合上面的兩個公式中的候選位置損失以及對比損失,自監(jiān)督的候選學(xué)習(xí)損失寫為:

圖片

 Consistency-Based Proposal Learning

為了進一步訓(xùn)練抗噪聲目標(biāo)檢測器,應(yīng)用一致性損失來確保噪聲候選預(yù)測與其原始候選預(yù)測之間的一致性。更準(zhǔn)確地說,將一致性損失應(yīng)用于邊界框分類和回歸預(yù)測。對于邊界框分類預(yù)測C的一致性損失,使用KL散度作為損失,以強制噪聲候選的類預(yù)測及其原始候選一致。

圖片

為了進一步確保候選預(yù)測的一致性,在下列公式中計算一致性損失,以強制來自噪聲候選的目標(biāo)位置預(yù)測及其原始候選一致:

圖片

結(jié)合上面的兩個公式,基于一致性的候選學(xué)習(xí)損失如下:

圖片

實驗

圖片圖片


*博客內(nèi)容為網(wǎng)友個人發(fā)布,僅代表博主個人觀點,如有侵權(quán)請聯(lián)系工作人員刪除。



關(guān)鍵詞: AI

相關(guān)推薦

技術(shù)專區(qū)

關(guān)閉