多线索一致性学习：在半监督检测中弥合普通和定向物体之间的差距
内容提要
本文研究了半监督目标检测（SSOD）的关键技术，包括伪标记和一致性训练，并提出了多种改进方法。实验表明，PseCo方法在COCO基准测试中显著提高了学习效率，SOOD++在多方向对象检测中表现良好。此外，基于置信度的伪标签方法和对抗模糊性的方法也提升了检测性能，证明了在有限标注情况下的有效性。
延伸解读
半监督检测的两大技术支柱
文章指出，半监督目标检测（SSOD）主要依赖伪标记和一致性训练两项技术。伪标记利用模型对无标签数据的预测生成伪标签，再用于训练；一致性训练则要求模型对同一输入的不同扰动输出保持一致。这两者共同作用，使模型在少量标注数据下也能有效学习。理解这一基础，有助于把握文中各项改进方法的出发点。
PseCo在COCO上的效率提升
PseCo方法在COCO基准测试中，于1%、5%和10%标注比例下，性能分别超过Soft Teacher 2.0、1.8和2.0个点。这表明在标注数据极少时，PseCo能更充分地利用无标签数据，显著提升学习效率。对于实际应用中标注成本高的场景，这一结果提示伪标记与一致性训练的结合具有实用潜力。
定向目标检测的专门优化
针对多方向物体和航拍图像，SOOD++等半监督定向目标检测方法通过专门设计的损失函数和样本选择策略，在DOTA-v1.5等基准上取得更好效果。这类方法关注旋转特征和形状特征，动态选择样本，并采用自适应损失提升分类与定位一致性。对于遥感等定向目标密集的领域，这些优化比通用SSOD方法更贴合需求。
缓解伪标签不确定性的策略
基于置信度的伪标签方法通过估计伪标签的分类和定位质量，动态调整阈值与权重，从而缓解类别不平衡和定位不准的问题。ARSL则从对抗选择模糊和分配模糊入手，结合联合置信度估计与任务分离分配。这些策略共同指向一个核心：在有限标注下，降低伪标签噪声对训练的负面影响，提升检测器可靠性。
Q&A
什么是半监督目标检测（SSOD）？
半监督目标检测（SSOD）是一种结合了少量标注数据和大量未标注数据进行目标检测的技术。
PseCo方法在COCO基准测试中的表现如何？
PseCo方法在COCO基准测试中显著提高了学习效率，性能超过了Soft Teacher。
SOOD++方法的主要优势是什么？
SOOD++方法在多方向对象和航拍图像检测中表现良好，提供了一种简单有效的半监督定向目标检测方案。
基于置信度的伪标签方法如何改善检测性能？
该方法通过更好地估计伪标签的分类和定位质量，调整伪标签的阈值和权重，从而提升检测性能。
对抗模糊性的方法（ARSL）是如何提高SSOD性能的？
ARSL方法通过联合置信度估计和任务分离分配来解决选择和分配模糊性，从而提高SSOD性能。
多阶段学习方法在半监督目标检测中有什么优势？
多阶段学习方法能够增强半监督目标检测器的可靠性，聚焦于更可靠的知识，从而提升性能。
