利用低置信度伪标签进行无源目标检测
原文中文，约300字，阅读约需1分钟。发表于：。我们提出了一种新的方法来充分利用伪标签，通过引入高和低置信度阈值，使用 Proposal Soft Training (PST) 和 Local Spatial Contrastive Learning (LSCL) 模块来利用低置信度的伪标签，进一步优化了代表性特征。实验证明，我们的方法在五个跨领域目标检测基准上表现优于以前的 Source-free object detection...
本文提出了一种基于置信度的伪标签方法，用于半监督目标检测。该方法可以更好地估计伪标签的质量，并调整伪标签产生的阈值和权重，从而提高性能。实验结果表明，在 COCO 和 PASCAL VOC 数据集上，该方法可以使半监督目标检测的性能提升 1-2% AP，在有限标注的情况下，即使只使用 COCO 的 1-10% 标记数据，该方法也能将有监督基线方法的性能提高 10% AP。
