Sparse Semi-DETR: Sparse Learnable Queries for Semi-Supervised Object Detection

本文针对DETR-based半监督目标检测（SSOD）框架的局限性进行研究，特别关注目标查询质量带来的挑战。在DETR-based SSOD中，一对一分配策略提供不准确的伪标签，而一对多分配策略会导致重叠的预测结果。这些问题影响了训练效率，降低了模型性能，特别是在检测小型或遮挡对象时。我们引入Sparse Semi-DETR，这是一种新型的基于Transformer的端到端半监督目标检测解决方案，旨在克服这些挑战。Sparse Semi-DETR包括一个查询精炼模块，以提高目标查询的质量，从而显着提高对小型和部分遮挡对象的检测能力。此外，我们还集成了一个可靠的伪标签过滤模块，有选择性地过滤高质量的伪标签，从而增强检测的准确性和一致性。在MS-COCO和Pascal VOC目标检测基准测试中，Sparse Semi-DETR相对于当前最先进的方法取得了显著的改进，特别是在涉及小型或部分遮挡对象的挑战性场景中，突显了Sparse Semi-DETR在半监督目标检测中的有效性。

论文解决的问题是DETR-based半监督目标检测中对象查询质量的限制。DETR-based SSOD中，一对一分配策略提供不准确的伪标签，而一对多分配策略导致重叠预测，这些问题会影响训练效率并降低模型性能，特别是在检测小型或遮挡对象时。

Sparse Semi-DETR是一种新型的基于Transformer的端到端半监督目标检测解决方案，用于克服这些挑战。Sparse Semi-DETR包括一个查询优化模块，以提高对象查询的质量，从而显着提高检测小型和部分遮挡对象的能力。此外，还集成了可靠的伪标签过滤模块，有选择地过滤高质量的伪标签，从而提高检测精度和一致性。

论文在MS-COCO和Pascal VOC目标检测基准上取得了显著的改进，比当前最先进的方法都要好，特别是在涉及小型或部分遮挡对象的挑战性场景中。论文还介绍了实验设计和使用的数据集，开源了代码，这些都是值得关注的亮点。值得进一步研究的工作包括如何使用Sparse Semi-DETR来解决其他类型的目标检测问题。

最近的相关研究包括《DETR: End-to-End Object Detection with Transformers》、《Semi-Supervised Object Detection with Progressive Self-Training》等。