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

半监督学习在物体检测领域中的潜力得到了广泛探索，其令人印象深刻的进展推动了研究人员探索其在计算机视觉中的应用。半监督物体检测(SSOD)利用少量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处理未标记数据的伪标签噪声方面遇到了挑战。然而，近期的许多进展已经解决了这些问题，从而显著提高了SSOD性能。本文全面回顾了27种半监督物体检测方法的最新发展，从卷积神经网络(CNNs)到变形金刚。我们深入探讨了半监督学习的核心组成部分及其在物体检测框架中的应用，涵盖了数据增强技术、伪标签策略、一致性正则化和对抗训练方法。此外，我们对各种SSOD模型进行了比较分析，评估了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。

本文探讨半监督学习在计算机视觉中目标检测任务中的应用，旨在减少对大规模标注数据的依赖，解决数据获取昂贵、耗时的问题。

本文提出了一种半监督目标检测（SSOD）方法，通过结合小型标注数据集和大型未标注数据集，有效减少对大规模标注数据集的依赖。同时，本文对数据增强技术、伪标签策略、一致性正则化和对抗性训练方法等半监督学习的核心组成部分进行了深入探讨。

本文综述了27种SSOD方法，从卷积神经网络到Transformers，并对各种模型的性能和架构差异进行了比较分析。本文的实验设计详尽，使用了多个数据集，并提供了开源代码。本文的亮点在于对半监督学习的核心组成部分进行了深入探讨，探索了多种方法来解决半监督学习中的挑战性问题。

最近的相关研究包括利用半监督学习进行图像分类、语义分割等任务的研究。其中包括《MixMatch: A Holistic Approach to Semi-Supervised Learning》、《Semi-Supervised Learning with Deep Generative Models》等论文。