CamoTeacher：玩转半监督伪装物体检测，双旋转一致性动态调整样本权重 | ECCV 2024

文章预览

论文提出了第一个端到端的半监督伪装目标检测模型 CamoTeacher 。为了解决半监督伪装目标检测中伪标签中存在的大量噪声问题，包括局部噪声和全局噪声，引入了一种名为双旋转一致性学习（ DRCL ）的新方法，包括像素级一致性学习（ PCL ）和实例级一致性学习（ ICL ）。 DRCL 帮助模型缓解噪音问题，有效利用伪标签信息，使模型在避免确认偏差的同时可以获得充分监督。广泛的实验验证了 CamoTeacher 的优越性能，同时显著降低了标注要求。 来源：晓飞的算法工程笔记 公众号 论文: CamoTeacher: Dual-Rotation Consistency Learning for Semi-Supervised Camouflaged Object Detection 论文地址：https://arxiv.org/abs/2408.08050 Introduction   伪装物体检测（ COD ）旨在识别在其环境中完全融入的物体，包括动物或具有保护色彩并具有融入周围环境能力的人造实体，这一任务由于低对比度、 ………………………………