半监督目标检测方法综述：以挑战为中心的视角

《IEEE Access》：A Survey on the Challenges of Semi-Supervised Object Detection

　　

摘要：

深度学习在计算机视觉领域的成功有赖于大规模、标注良好的数据集；然而，如此大规模的标注工作耗费人力、耗时且成本高昂，阻碍了目标检测器在实际应用中的部署，因为在实际应用中，每个新数据集都必须被收集并详尽标注以用于监督训练。因此，半监督学习提供了一种有吸引力的替代方案，以减少对大规模标记集的依赖。在半监督目标检测（SSOD）中，检测器是在标记图像（包含边界框和类别标注）和完全未标记图像的混合数据上进行训练的，通常通过扩展半监督图像分类策略并同时解决检测特有的挑战来实现。本文提出了一项关于 SSOD 方法的综述，通过将现有方法围绕其主要解决的挑战和相应的解决策略进行组织，从而系统化地梳理了现有方法。我们将这些挑战归纳为五个类别：类别不平衡、尺度变化、定位不精确、噪声伪标签以及其他挑战。我们的研究考察了 49 篇具有代表性的论文，提供了对 SSOD 研究广泛而详细的视角。与以往的综述相比，本文采用以挑战为中心的观点，系统化地梳理了 SSOD 中的基本挑战，涵盖了数据集、评估协议、模型家族、新兴研究方向以及实验设计和报告的最佳实践，以促进公平比较、可复现性和实际部署。