ECCV 2024｜CamoTeacher：玩转半监督伪装物体检测，双旋转一致性动态调整样本权重

主要观点总结

论文提出了名为CamoTeacher的半监督伪装目标检测模型，针对半监督伪装目标检测中伪标签存在的噪声问题，引入了一种名为双旋转一致性学习（DRCL）的新方法。通过像素级一致性学习（PCL）和实例级一致性学习（ICL）来解决噪音问题，有效利用伪标签信息。广泛的实验验证了CamoTeacher的优越性能，并且显著降低了标注要求。

关键观点总结

关键观点1: CamoTeacher模型提出

论文提出了第一个端到端的半监督伪装目标检测模型CamoTeacher，为解决半监督伪装目标检测中伪标签存在的噪声问题提供了有效方法。

关键观点2: 双旋转一致性学习（DRCL）的引入

DRCL包括PCL和ICL，通过考虑不同旋转视图之间的像素级不一致性和实例级一致性，为伪标签中的不同部分分配可变权重，实现细致、噪声感知的训练过程。

关键观点3: 实验验证

在四个基准数据集上的实验结果表明，CamoTeacher在与半监督学习方法相比方面达到了先进水平，并且与已建立的全监督学习方法相媲美。仅使用20%的标记数据，其性能就接近全监督模型的水平。

关键观点4: CamoTeacher的贡献

CamoTeacher为未来半监督伪装物体检测的研究提供了一个简单而有效的基准，并解决了半监督伪装物体检测中伪标签的大量噪声问题。