融合伪标签与弱监督用于动态交通场景
原文中文，约300字，阅读约需1分钟。发表于：。引入了一个弱监督标签统一流程，用于合并来自多个训练在异构数据集上的目标检测模型的伪标签，从而构建了一个统一的标签空间，纠正偏见并提高泛化能力。通过对多个数据集上的目标检测模型进行微调，并精确验证伪标签，重新训练一个目标检测模型，最终得到一个在动态交通场景中表现出色的模型，并在具有挑战性的道路条件下充分展示了该方法的有效性。值得注意的是，该方法在目标检测性能方面取得了显著的提升，得到了对领域变...
本文介绍了一种弱监督标签统一流程，用于合并多个训练在异构数据集上的目标检测模型的伪标签，构建统一的标签空间，纠正偏见并提高泛化能力。通过微调多个数据集上的目标检测模型，并验证伪标签，重新训练一个在动态交通场景中表现出色的模型，展示了该方法的有效性。该方法在目标检测性能方面取得了显著提升，得到了对领域变化具有更高抵抗力的模型。
