[論文レビュー] Practical Insights into Semi-Supervised Object Detection Approaches

Chaoxin Wang, Bharaneeshwar Balasubramaniyam+3 more|arXiv (Cornell University)|Jan 19, 2026

Advanced Neural Network Applications被引用数 0

ひとこと要約

論文は、MS-COCO、Pascal VOC、Beetle の各データセットにおけるクラスごとの少数ショット監視下で、3 つの最先端 SSOD 手法（MixPL、Semi-DETR、Consistent-Teacher）をベンチマークし、実際の展開を指向して精度、待機時間、モデルサイズを分析する。

ABSTRACT

Learning in data-scarce settings has recently gained significant attention in the research community. Semi-supervised object detection(SSOD) aims to improve detection performance by leveraging a large number of unlabeled images alongside a limited number of labeled images(a.k.a.,few-shot learning). In this paper, we present a comprehensive comparison of three state-of-the-art SSOD approaches, including MixPL, Semi-DETR and Consistent-Teacher, with the goal of understanding how performance varies with the number of labeled images. We conduct experiments using the MS-COCO and Pascal VOC datasets, two popular object detection benchmarks which allow for standardized evaluation. In addition, we evaluate the SSOD approaches on a custom Beetle dataset which enables us to gain insights into their performance on specialized datasets with a smaller number of object categories. Our findings highlight the trade-offs between accuracy, model size, and latency, providing insights into which methods are best suited for low-data regimes.

研究の動機と目的

• データ不足の産業設定において、クラスごとのラベルが制限される場合の SSOD 指針を動機づける。
• 公開実装を用いた三つの代表的 SSOD アプローチを、固定されたクラスごとのショットサイズで比較する。
• 異なる難易度のデータセットで検出精度、モデルサイズ、推論待機時間のトレードオフを評価する。
• 実世界の展開における注釈戦略とモデル選択に関する実用的な推奨を提供する。

提案手法

• ResNet-50 バックボーン上で、MixPL、Semi-DETR、Consistent-Teacher の三つの SSOD 手法を評価する。
• MS-COCO、Pascal VOC、Beetle データセット全体で、k を {1,5,10,20,50,100,150} の各クラスあたりのショットでサンプリングする。
• 各手法とデータセットについて、mAP (0.50:0.95) と概略推論時間およびモデルサイズを測定する。
• 同一のデータ分割と公式デフォルトのトレーニング設定を用いてトレーニングを標準化する。
• トランスフォーマー由来の検出器（MixPL、Semi-DETR）を CNN ベースのもの（Consistent-Teacher）と比較する。
• ラベル付きデータが増えるにつれての性能傾向を分析し、展開時のトレードオフを特徴づける。

Figure 1: Performance comparisons with the number of $k$ -shots across MixPL, Semi-DETR, and Consistent-Teacher on MS-COCO, Pascal VOC and Beetle datasets.

実験結果

リサーチクエスチョン

• RQ1 RQ1: クラスごとのラベル付き画像数 k が 1 から 150 に変化する場合、どの SSOD 手法が最も良い性能を示すか。
• RQ2 RQ2: 少量データ訓練と全体の検出性能の間にどんなトレードオフが生じるか。
• RQ3 RQ3: 評価対象手法間で性能、モデルサイズ、待機時間はどうトレードオフされるか。

主な発見

• MixPL は通常、k-shot レジーム全体で最も強い総合性能を示し、Semi-DETR がこれに続く。
• トランスフォーマーベースの手法（MixPL、Semi-DETR）は、Consistent-Teacher よりもピーク精度が高く、特にデータが中〜高の領域で優れる。
• Consistent-Teacher は最も低い推論待機時間（おおむね 9–15 ms/画像）と最小のモデルサイズを提供し、リソース制約のある展開に有利。
• すべてのモデルは k が増えるにつれて性能が向上するが、データが非常に少ない領域で最大の恩恵を受け、より高いショット数ではリターンが次第に低下する。
• 推論時間は k-shot 設定を超えて安定しており、待機時間は訓練データ量よりアーキテクチャに支配されることを示唆する。