利用图像切片和伪标签细化技术应对半监督小害虫检测中的尺度变化与标注稀缺问题 李成、 文青青、 徐凤雅、 罗瑞康、 杜增杰、 刘忠斌、 吴大胜

《Forests》：Tackling Scale Variation and Annotation Scarcity in Semi-Supervised Small Pest Detection with Image Slicing and Pseudo-Label Refinement Cheng Li, Qingqing Wen, Fengya Xu, Ruikang Luo, Zengjie Du, Zhongbin Liu and Dasheng Wu

　　

摘要

在超高分辨率的林业图像中检测小型害虫具有挑战性，因为这些图像的尺度变化极大、背景复杂且标注数据有限。为了解决这些问题，我们提出了SSFPDet（半监督森林害虫检测器），这是一种专为低标注环境设计的半监督目标检测框架。SSFPDet基于“软教师”（Soft Teacher）范式，整合了基于YOLO-T的重叠切片策略、Top-K伪标签选择机制以及基于Kullback–Leibler（KL）散度的分布对齐约束。该切片策略在不修改检测器核心结构的情况下提升了小型目标的检测能力，而Top-K和KL模块则提高了训练过程中的伪标签可靠性和语义一致性。在仅20%的标注数据条件下，SSFPDet的mAP@0.5:0.95达到了46.6，比基线模型高出0.7个百分点。值得注意的是，小型目标的检测性能（AP_S）提高了6.6个百分点。消融实验进一步证实了空间切片和语义对齐的互补作用。总体而言，SSFPDet为在有限监督条件下进行的高分辨率林业害虫监测提供了一种实用且可扩展的解决方案。