SS_OD_SoftTeacher
@ Article: ICML from Microsoft & Huazhong Keda
@ Code: Github
@ Noteby: Aikenhong
@ Time: 20210914
Abstrast and Intro
in the session we will using describe the main idea of this article.
这篇文章的重点在于Soft Teacher，也就是用pseudo label做为弱标注，逐步提高伪标签的可靠性。
不同于多阶段的方法，端到端的方法再训练中逐步的提升伪标签的质量从而再去benifit目标检测的质量。
这样E2E的框架主要依赖于两部分技术:
- soft teacher: 每个未标记边界框的分类损失由教师网络产生的分类分数进行加权
- box jitter 窗口抖动: 选择可靠的伪框来学习框回归
在目标检测上获得SOTA的效果;
Multi-Stage
在半监督的情况下，关注的主要是基于伪标签的方法，是目前的SOTA，以往的方法采用多阶段的方式。
- 使用标记数据训练初始检测器
- 未标记数据的伪标记，同时基于伪标签进行重新训练
局限：初始少量标注的局限，初始的检测器的伪标签质量
End to End
Soft Teacher基本思路：对未标记的图像进行标记，然后通过标记的几个伪标签训练检测器.
