深度学习之半监督学习：一文梳理目标检测中的半监督学习策略

什么是半监督目标检测？

传统机器学习根据训练数据集中的标注情况，有着不同的场景，主要包括：监督学习、弱监督学习、弱半监督学习、半监督学习。由于目标检测任务的特殊性，在介绍半监督目标检测方法之前，我们查看一下目标检测在四个方向上的具体设定：

总而言之，目标检测的setting分为四个部分：

• 有监督目标检测：拥有大规模带标签的数据，包括完整的实例级别的标注，即包含坐标和类别信息
• 弱监督目标检测：数据集中的标注仅包含类别信息，不包含坐标信息
• 弱半监督目标检测：数据集中拥有部分实例级别的标注，大量弱标注数据，模型希望利用大规模的弱标注数据提升模型的检测能力
• 半监督目标检测：数据集中拥有部分实例级别的标注，大量未标注数据，模型希望利用大规模的无标注的数据提升模型的检测能力
    半监督目标检测方法的核心在于，如何充分利用大量未标注、多样性的数据提升模型在测试集上的性能，目前的半监督目标检测方法主要有两个方向：
  1.一致性学习（Consistency based Learning)
  2.伪标签（Pseudo-label based Learning）
  前者利用两个深度卷积神经网络学习同一张unlabeled图像不同扰动（比如水平翻转，不同的对比度，亮度等）之间的一致性，充分利用unlabeled data进行推理，经过NMS后减少大量冗余框，利用一个阈值去挑选伪标签，最后利用伪标签训练模型，两种方法没有本质区别，本身都是伪标签技术，一致性学习可以认为是一种soft pseudo label，而后者是一种hard pseudo label.
  近期比较好的半监督目标检测文章