半监督辅助目标检测：自训练+数据增强提升精度（附源码下载）

主要观点总结

本文主要介绍了半监督学习（SSL）在目标检测领域的应用，特别是STAC框架和数据增强策略的使用。在缺少大规模注释数据时，SSL提供了利用未标记数据改善模型性能的方法。

关键观点总结

关键观点1: 半监督学习（SSL）简介

SSL在没有大规模注释数据时，利用未标记数据提高机器学习模型的预测性能。在图像分类任务中已取得显著进展，近年来被应用于目标检测领域。

关键观点2: STAC框架介绍

STAC是一种用于视觉目标检测的简单有效的SSL框架。它从未标记的图像中部署本地化目标的高度可信的伪标签，并通过数据增强提升一致性来更新模型。

关键观点3: STAC流程

包括训练教师模型生成伪标签，用训练好的模型推理未标注的图像生成伪标签，进行数据增强和同步伪标签，使用半监督Loss训练检测器等步骤。

关键观点4: 数据增强策略的重要性

基于一致性的SSL方法（如UDA和FixMatch）成功的关键是强大的数据增强方法。虽然图像分类的增强策略已被广泛研究，但目标检测的相应研究尚未得到充分探索。

关键观点5: 实验及可视化

尽管SSL在图像分类中取得了显著进展，但STAC框架的提出为其在目标检测领域的应用带来了简单而有效的方法。通过从未标记的图像中获得高度自信的伪标签，并通过强数据增强确保一致性来更新模型。