PPYOLOE-SSOD算法

半监督目标检测

利用师生互训机制，在极少量标注数据下实现先进的目标检测性能。

张国山 · Jinman, Wei

Beijing Ligong Daxue Xuebao/Transaction of Beijing Institute of Technology 2024

参数信息

MS COCO 精度提升（1% 标注数据）

1.4 %

MS COCO 精度提升（5% 标注数据）

1.6 %

MS COCO 精度提升（10% 标注数据）

2.1 %

技术优势

标注需求大幅降低

只需 1%、5% 或 10% 的标注数据，精度分别提升 1.4%、1.6% 和 2.1%。

无需伪标签后处理

通过排序教师模型预测的分类特征自动筛选高质量伪标签，避免繁琐的后处理步骤。

训练稳定性提升

每个迭代使用指数平均法更新教师模型参数，减少参数传递的不稳定性。

抗干扰能力强

引入不同数据增强方法，增强网络的抗干扰能力。

应用场景

• 少样本目标检测：在极小标注量下训练检测模型，减少数据标注成本。
• 数据高效学习：充分利用未标注数据，提升数据利用率。
• 半监督学习：通过师生互训自动生成高质量伪标签指导训练。