Semi-Supervised Object Detection: A Survey on Progress from CNN to Transformer

半监督学习的显著进展推动研究人员探索其在计算机视觉领域中物体检测任务中的潜力。半监督物体检测(SSOD)利用小型标记数据集和更大的未标记数据集的组合。这种方法有效地减少了对大型标记数据集的依赖，这些数据集通常很昂贵且耗时。最初，SSOD模型在有效利用未标记数据和管理生成的伪标签中的噪音方面遇到了挑战。然而，最近的许多进展已经解决了这些问题，导致SSOD性能大大提高。本文综述了27种半监督物体检测方法的最新发展，从卷积神经网络(CNN)到Transformer。我们深入探讨了半监督学习的核心组件及其在物体检测框架中的整合，包括数据增强技术、伪标记策略、一致性正则化和对抗训练方法。此外，我们进行了各种SSOD模型的比较分析，评估它们的性能和架构差异。我们旨在激发进一步的研究兴趣，克服现有的挑战并探索半监督学习在物体检测中的新方向。

本篇论文旨在探索半监督学习在计算机视觉中物体检测任务中的潜力，通过结合小规模有标签数据集和大规模无标签数据集来有效降低对大规模有标签数据集的依赖。

论文提出了一种半监督物体检测(SSOD)方法，该方法通过数据增强技术、伪标签策略、一致性正则化和对抗训练等方式有效利用大规模无标签数据集，提高了模型性能。

论文综述了27种SSOD方法，涵盖了从卷积神经网络到变压器等各种模型。实验结果表明，SSOD方法相比于传统的监督学习方法，能够在小规模有标签数据集的情况下获得更好的性能。此外，论文还探讨了SSOD方法的局限性和未来发展方向。

最近在这个领域中，还有一些相关的研究，如：Semi-Supervised Object Detection with Self-training and Co-Training、Semi-Supervised Object Detection via Anchor Alignment等。