计算机应用

作者：谢斌红, 剌颖坤, 张英俊, 张睿

单位：太原科技大学 计算机科学与技术学院，太原 030024

关键词：半监督目标检测,自步学习,一致性正则化,动态自步参数,连续权重变量

基金：山西省基础研究计划项目（面上）(20210302123216);吕梁市引进高层次科技人才重点研发项目(2022RC08)

为了提高伪标签质量并解决半监督目标检测（SSOD）中的确认偏差问题，提出一种基于动态参数的自步学习（SPL）指导下的SSOD框架。在该框架中设计动态自步参数和连续权重变量，以优化SSOD的效果。具体地，动态自步参数根据模型在训练过程中的实时表现评估样本的难易程度，而连续权重变量则通过比较样本损失与动态自步参数的关系精确评估每个样本在训练中的重要性和可靠性，并对样本中的每个物体都进行精细化权重设计。此外，该框架采用单一模型迭代训练，并引入一致性正则化策略评估模型预测的一致性。这种设计不仅能为模型提供更有针对性的权重信息，还可使模型通过权重信息的动态调整自适应地优化训练过程。在PASCAL VOC和MS-COCO数据集上的广泛对比实验结果不仅显示所提框架显著提升了模型的检测精度，还验证了所提框架良好的通用性和高效的收敛性能。特别在PASCAL VOC数据集上，所提框架相较于LabelMatch、Unbiased Teacher V2和MixTeacher在检测精度上分别提升了0.65、4.84和0.28个百分点。

来源：2025年第8期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第8期