Improving Visual Object Detection Using Synthetic Self-Training

Abstract

Die gegenwärtige Praxis des überwachten Lernens erfordert einen umfangreichen Korpus annotierter Trainingsdaten. Die Erstellung großer annotierter Datensätze ist jedoch ein kostspieliges Unterfangen. Darüber hinaus variiert die Verfügbarkeit eines großen annotierten Trainingsdatensatzes über unterschiedliche Anwendungsbereiche. Selbsttraining versucht, diese Probleme zu überwinden, indem eine Kombination aus annotierten Daten und nicht-annotierten Daten verwendet wird, um ein Modell zu trainieren. Selbsttraining bedarf jedoch einer ausreichenden Menge annotierter Trainingsdaten, um ein starkes Lehrermodell zu trainieren. Diese Arbeit stellt das Synthetische Selbst-Training (SST) vor, eine Erweiterung des konventionellen Selbst-Trainings. SST löst zuvor genannte Problem, durch Einbeziehung synthetisch erzeugte Daten in den Trainingsprozess. Diese Arbeit formuliert SST im Bereich der Visuellen Objekterkennung und zeigt empirische dessen Vorteile. Konkret ermöglicht es SST die Erkennungsgenauigkeit logistikspezifischer Objekte im LOCO Benchmark um 12% mAP0.5 zu verbessern.