基于定位置信度加权的半监督目标检测算法

为解决伪标签筛选过程的位置噪声数据问题，提出了基于定位置信度加权的Soft Teacher-LAH半监督目标检测算法。通过离散化目标检测网络定位分支的预测输出，引入具有定位感知功能的输出结构LAH。基于LAH预测输出，定义一种衡量定位精度的置信度指标，设计基于该置信度加权的无监督定位损失函数，降低伪标签位置噪声对模型训练的负面影响。实验结果表明了该算法的性能优势，针对微软COCO数据集，在有标注数据占比训练集分别为1%、5%和10%的场景下，该算法相比于现有Soft Teacher方案的平均精度分别提高了1.1、1.2和1.5个百分点；针对PASCAL VOC数据集，在使用VOC07和VOC12分别作为有标注和无标注训练数据的场景下，该算法相比Soft Teacher方案的平均精度提高了1.6个百分点。