针对传统半监督检测模型关注位置信息不足导致伪标签不准确的问题,提出了基于互一致性的标签筛选(MCBF)策略。该策略在伪标签筛选环节,通过比较连续训练轮次中伪标签的IoU(Intersection over Union,衡量两个边界框的重合程度)评估位置变...针对传统半监督检测模型关注位置信息不足导致伪标签不准确的问题,提出了基于互一致性的标签筛选(MCBF)策略。该策略在伪标签筛选环节,通过比较连续训练轮次中伪标签的IoU(Intersection over Union,衡量两个边界框的重合程度)评估位置变化,并结合两轮次的平均置信度来评价伪标签的稳定性,设定阈值进行筛选。在生成伪标签的阶段,分析相邻轮次的位置信息和置信度的互一致性,使网络兼顾类别置信度和位置信息。此外,设计了一种适用于带钢缺陷检测的新型数据增强策略Copy-Fill-Smooth,有效提升了检测效果。在NEU数据集和私有带钢数据集,评价指标AP@50分别达到了68.8%和66.1%,显示了该策略相比其他半监督检测模型在带钢缺陷检测领域的显著优势。展开更多
文摘针对传统半监督检测模型关注位置信息不足导致伪标签不准确的问题,提出了基于互一致性的标签筛选(MCBF)策略。该策略在伪标签筛选环节,通过比较连续训练轮次中伪标签的IoU(Intersection over Union,衡量两个边界框的重合程度)评估位置变化,并结合两轮次的平均置信度来评价伪标签的稳定性,设定阈值进行筛选。在生成伪标签的阶段,分析相邻轮次的位置信息和置信度的互一致性,使网络兼顾类别置信度和位置信息。此外,设计了一种适用于带钢缺陷检测的新型数据增强策略Copy-Fill-Smooth,有效提升了检测效果。在NEU数据集和私有带钢数据集,评价指标AP@50分别达到了68.8%和66.1%,显示了该策略相比其他半监督检测模型在带钢缺陷检测领域的显著优势。
