BriefGPT - AI 论文速递
·
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。
📝
内容提要
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。
🎯
关键要点
-
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。
-
该方法能够更好地估计伪标签的分类和定位质量。
-
根据估计结果调整伪标签产生的阈值和权重，以缓解类别不平衡和定位精度问题。
-
实验结果显示，在 COCO 和 PASCAL VOC 数据集上，性能提升 1-2% AP。
-
在有限标注情况下，仅使用 COCO 的 1-10% 标记数据，性能提升可达 10% AP。
➡️
