自适应半监督学习中的伪标签过滤
原文中文，约200字，阅读约需1分钟。发表于：。本文提出了一种自适应伪标签过滤器（SPF），根据模型发展过程中的置信度分布自动过滤伪标签，与深度神经网络一起演化，无需手动调整，通过将 SPF 应用于现有的半监督学习方法，特别是在标记数据极少的情况下，证明可以提高半监督学习的性能。
本文提出了一种新的半监督三维目标检测框架，通过引入STE和CBV模块提高了教师模型的性能，同时提出了BCL软监督信号来减小错误样本对训练的负面影响。实验结果表明，该方法在ONCE和Waymo数据集上显著提高了基线，在Waymo数据集上只使用了一半的注释即可超过完全注释的oracle模型。
