面向医学图像的类平衡开放集半监督目标检测
内容提要
本文研究半监督物体检测中的伪标签偏差问题，提出了“Unbiased Teacher”方法，通过分类均衡损失训练学生和老师，显著提升了检测性能。在COCO和VOC数据集上，使用少量标记数据实现了mAP的显著提升，并解决了类别不平衡问题。
延伸解读
伪标签偏差的成因与影响
文章指出，半监督目标检测中，模型生成的伪标签往往存在偏差，尤其是对某些类别的过度自信，导致错误累积。这种偏差在类别不平衡的数据集上更为严重，因为模型倾向于关注头部类别，而忽略尾部类别。Unbiased Teacher通过分类均衡损失来校正这种偏差，从而提升伪标签质量，最终在少量标注数据下实现显著性能提升。
方法核心：分类均衡损失与师生框架
Unbiased Teacher采用师生协同训练框架，学生模型和教师模型共同更新。关键创新是引入分类均衡损失，对伪标签中的类别分布进行重平衡，避免模型被多数类主导。教师模型逐步进步，提供更稳定的伪标签。这种方法在COCO和VOC数据集上，仅使用0.5%到2%的标注数据，就比监督基线提升约10 mAP，展示了半监督学习的潜力。
实验效果与适用场景
在COCO标准、COCO附加和VOC数据集上，Unbiased Teacher相比现有最先进方法提升了6.8绝对mAP。当标注数据极少时（0.5%、1%、2%），其相对监督基线的提升约10 mAP，说明该方法能有效利用未标注数据。不过，文章主要基于通用数据集，在医学图像等特定领域的泛化能力仍需进一步验证。
领域进展与开放挑战
文章提及后续研究将半监督目标检测扩展到开放集、类别不平衡等更现实场景，如OWSSD、CI-SSOD等框架。这些工作表明，伪标签偏差和类别不平衡是持续挑战。Unbiased Teacher作为早期代表，为后续研究提供了基础，但在极端不平衡或开放世界设定下，仍需结合其他技术如OOD检测和动态采样来进一步提升鲁棒性。
Q&A
什么是“Unbiased Teacher”方法？
“Unbiased Teacher”方法通过分类均衡损失共同训练学生和老师，以解决半监督物体检测中的伪标签偏差问题。
该研究在COCO和VOC数据集上的表现如何？
在COCO和VOC数据集上，该方法使用少量标记数据显著提升了mAP，达到6.8的绝对提升。
半监督物体检测中的类别不平衡问题是如何解决的？
通过自训练和数据重平衡，该研究缓解了半监督物体检测中的类别不平衡问题。
使用少量标记数据能达到什么效果？
使用0.5%、1%和2%的标记数据，相较于有监督的基线，方法实现了约10 mAP的提升。
该研究对半监督目标检测领域的贡献是什么？
该研究提出了新的方法和框架，显著提高了检测性能，并为未来的研究提供了基准。
伪标签偏差对半监督物体检测有什么影响？
伪标签偏差会导致检测性能下降，因此需要通过有效的方法来减轻其影响。
