半监督目标检测：从卷积神经网络（CNN）到 Transformer 的进展综述

文章预览

半监督学习的显著进展推动了研究人员在计算机视觉领域探索其在目标检测任务中的潜力。半监督目标检测（SSOD）利用小规模标注数据集和大规模未标注数据集的组合，有效减少了对大规模标注数据集的依赖，这些数据集通常昂贵且耗时。最初，SSOD模型在有效利用未标注数据和管理生成的未标注数据伪标签中的噪声方面遇到了挑战。然而，许多最近的进展已经解决了这些问题，导致SSOD性能显著提升。 本文全面回顾了27项最前沿的SSOD方法发展，从卷积神经网络（CNNs）到Transformers 。我们深入探讨了半监督学习的核心组件及其在目标检测框架中的整合，涵盖数据增强技术、伪标签策略、一致性正则化和对抗训练方法。此外，我们对各种SSOD模型进行了比较分析，评估它们的性能和架构差异。我们旨在激发更多关于克服现有挑战和探索半监督学习在目标 ………………………………