计算机工程

作者：雷洁, 饶文碧, 杨焱超, 熊盛武

单位：1. 武汉理工大学 计算机与人工智能学院, 武汉 430070;2. 武汉理工大学 三亚科教创新园, 海南 三亚 572000

关键词：目标检测,伪标签,分类不确定性,指数滑动平均,分类损失函数,一致性正则化

基金：国家自然科学基金（62176194）；湖北省科技创新计划项目（2020AAA001）；武汉理工大学三亚科教创新园项目（2021KF0031）。

伪标签目标检测算法利用大量未标注数据生成伪标签数据来增加训练数据规模，从而提高目标检测模型的性能。针对伪标签数据中存在大量错误标注数据且伪标签目标检测模型性能难以提升的问题，提出基于SoftTeacher-CUC的伪标签目标检测算法。SoftTeacher-CUC算法在SoftTeacher伪标签目标检测算法的基础上，利用分类不确定性方法计算模型生成的伪标签分类结果的不确定性来判断伪标签是否可靠，不确定性越低说明伪标签的分类结果越可靠。在此基础上，将计算得到的不确定性作为权重加入伪标签数据的分类损失函数中，进一步减少高不确定性伪标签为模型带来的负面影响。根据Teacher模型中不同模块的作用，采用不同权重的指数滑动平均方法更新Teacher模型，降低Teacher模型和Student模型参数之间的相似性，使一致性正则化方法发挥效用。实验结果表明，在标注数据分别占训练集1%、5%和10%的情况下，与SoftTeacher算法相比，SoftTeacher-CUC算法的平均精度均值分别提高了1.4、1.2和1.7个百分点，在标注数据较少的情况下，该算法具有更好的检测效果。

来源：2023年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第1期