Collaboration of Teachers for Semi-supervised Object Detection

最近的半监督目标检测（SSOD）通过利用未标记的数据进行训练取得了显著的进展。主流的SSOD方法依赖于一致性正则化方法和指数移动平均（EMA），形成一个循环数据流。然而，EMA更新训练方法导致教师和学生模型之间的权重耦合。在循环数据流中的这种耦合导致未标记数据信息的利用率降低，并且对低质量或错误的伪标签存在确认偏差。为了解决这些问题，我们提出了合作教师框架（CTF），它由多对教师和学生模型组成进行训练。在CTF的学习过程中，数据性能一致性优化模块（DPCO）通知过去训练过程中拥有最优伪标签的最佳教师模型对，并且这些最可靠的伪标签由表现最佳的教师产生，将指导其他学生模型。因此，该框架极大地提高了未标记数据的利用率，并防止了不可靠伪标签的正反馈循环。CTF在许多SSOD数据集上取得了出色的结果，包括在10％注释的COCO数据集上提高了0.71％的mAP，并且与LabelMatch相比，在VOC数据集上提高了0.89％的mAP并且收敛速度显著更快。此外，CTF是即插即用的，并且可以与其他主流的SSOD方法集成。

本篇论文旨在解决半监督目标检测中EMA更新训练方法导致的权重耦合问题，以及伪标签的可靠性问题。

本文提出了一种多对教师-学生模型协作训练框架（CTF），通过数据性能一致性优化模块（DPCO）选择最优伪标签并将其传递给其他学生模型，从而提高了未标记数据的利用率和伪标签的可靠性。

本文在多个半监督目标检测数据集上进行了实验，证明了CTF方法相比于LabelMatch方法能够在COCO数据集上提高0.71%的mAP，在VOC数据集上提高0.89%的mAP，并且收敛速度更快。此外，CTF方法易于集成到其他主流SSOD方法中。

近期的相关研究包括：Consistency Regularization方法和Exponential Moving Average（EMA）方法等。