Semi-supervised object detection (SSOD) aims to boost detection performance by leveraging extra unlabeled data. The teacher-student framework has been shown to be promising for SSOD, in which a teacher network generates pseudo-labels for unlabeled data to assist the training of a student network. Since the pseudo-labels are noisy, filtering the pseudo-labels is crucial to exploit the potential of such framework. Unlike existing suboptimal methods, we propose a two-step pseudo-label filtering for the classification and regression heads in a teacher-student framework. For the classification head, OCL (Object-wise Contrastive Learning) regularizes the object representation learning that utilizes unlabeled data to improve pseudo-label filtering by enhancing the discriminativeness of the classification score. This is designed to pull together objects in the same class and push away objects from different classes. For the regression head, we further propose RUPL (Regression-Uncertainty-guided Pseudo-Labeling) to learn the aleatoric uncertainty of object localization for label filtering. By jointly filtering the pseudo-labels for the classification and regression heads, the student network receives better guidance from the teacher network for object detection task. Experimental results on Pascal VOC and MS-COCO datasets demonstrate the superiority of our proposed method with competitive performance compared to existing methods.

翻译：半监督对象检测(GREP) 旨在通过利用额外未贴标签的数据提高检测性能。 教师- 学生框架显示, 对GREP而言, 教师- 学生框架是很有希望的, 教师网络为未贴标签的数据生成假标签, 以帮助培训学生网络。 由于伪标签很吵, 过滤伪标签对于挖掘这种框架的潜力至关重要。 与现有的亚优方法不同, 我们提议为教师- 学生框架中的分类和回归头进行两步假标签过滤。 对于分类头来说, OCL( 客观与反向对比学习) 规范对象代表学习, 利用未贴标签的数据改进伪标签的过滤, 从而通过提高分类分数的歧视性性能来改进伪标签的筛选。 这样做的目的是将同一班级的物体集中起来, 将不同班级的物体推离。 对于回归头, 我们进一步建议 RUPL( 回归- 不确定性- 制导 Pseudo- labeling), 以便学习标签对象定位对象定位的不易为标签目的, 校正标 校标 校标 校验网络 。 通过联合过滤 校正 校正 校正 校正 校正 校正 校正 校正 校正 校正 校正 校正 校正 校正 校正 校正 校正 校对 校正 校正 校正 校正 校正 校正 校对 校正 校正 校正 校正 校对 校正 校正 校正 校正 校对 校正 校正 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对 校对