半监督目标检测：从 CNN 到 Transformer 的进展综述
内容提要
本文综述了半监督目标检测的研究进展，重点讨论数据增强、标注和损失函数等方面，提出了多种新型模型和算法，并展示了其在遥感图像和开放集检测中的优越性能，强调了伪标签生成和特征对齐的重要性。
延伸解读
半监督目标检测的核心技术脉络
文章从数据增强、数据标注、损失函数和基准数据集等方面梳理了半监督目标检测的研究进展。其中，伪标签生成和特征对齐被反复强调为关键环节。例如，通过自适应过滤策略和跨尺度不确定性一致性正则化，可以提升伪标签质量；而特征对齐则有助于在开放集场景中过滤分布外样本。这些技术共同推动了从CNN到Transformer的演进。
从CNN到Transformer的模型演进
综述指出，半监督目标检测模型正从基于CNN的架构向Transformer过渡。文章调查了2020至2023年间60多篇关于Transformer在小目标检测任务上的论文，并比较了mAP、FPS和参数量等指标。同时，基于DenSe Learning的锚点自由算法和可信教师模型等新方法，在MS-COCO和PASCAL VOC等基准上取得了最优结果，显示出Transformer架构的潜力。
遥感与开放集场景的实践突破
文章特别关注了半监督目标检测在遥感图像和开放集检测中的应用。例如，在DIOR和DOTA数据集上，通过动态构建类别特征库并计算OOD分数，有效过滤了未标记数据中的分布外样本。SOOD++方法在多方向对象和航拍图像上表现良好，而SS-OWOD则通过特征对齐和伪标签策略降低了注释成本。这些进展表明半监督学习在复杂场景中具有实用价值。
减少标注依赖的显著效果
多项研究表明，半监督目标检测能大幅减少对标注数据的依赖。例如，有方法仅需少量标记数据即可达到100%的监督表现，Instant-Teaching框架通过即时伪标记和弱-强数据增强也优于现有方法。这些结果提示，在实际应用中，结合伪标签和一致性正则化等技术，可以在标注成本有限的情况下维持检测性能。
Q&A
半监督目标检测的主要研究方向有哪些？
主要研究方向包括数据增强、数据标注、损失函数和常见基准数据集等。
新型半监督定向目标检测模型的特点是什么？
该模型通过两种损失函数提供更好的监督，超越了现有方法，并在DOTA-v1.5基准测试中表现优异。
如何提高假标签生成的质量？
通过引入新的学习机制、自适应阈值机制和Jitter-Bagging模块来提高标签生成质量。
SS-OWOD方法的优势是什么？
SS-OWOD方法通过减少注释成本和利用特征对齐，在遥感物体检测中取得了良好的效果。
Instant-Teaching框架的主要功能是什么？
Instant-Teaching框架使用即时伪标记和扩展的弱-强数据增强进行教学，实验证明其优于现有方法。
DenSe Learning算法的创新点有哪些？
该算法包含自适应过滤策略、聚合型教师和跨尺度不确定性一致性正则化等新技术，取得了新的最优结果。
