摘要

为了提高伪标签的质量,解决半监督目标检测中的确认偏差问题,并针对现有算法中忽视无标注数据复杂性导致错误伪标签的难点,提出了一种课程学习指导下的半监督目标检测框架。该框架主要由ICSD(IoUConfidence-Standard-Deviation)难度测量器和BP(Batch-Package)训练调度器两个模块组成。其中,ICSD难度测量器综合考虑了伪边界框之间的IOU、置信度、类别标签等信息,并引入C_IOU(Checkpoint_IOU)方法来评估无标注数据的可靠性。BP训练调度器则设计了两种高效调度策略,分别从Batch和Package角度出发,优先选择可靠性指标高的无标记数据,实现以课程学习的方式对整个无标记数据集的充分利用。在PASCAL VOC和MS-COCO数据集上的广泛对比实验表明,该框架不仅适用于现有的半监督目标检测算法,而且在检测精度和稳定性方面都得到了显著提升。