(Few-shot Detection)Review: Transductive Learning for zero-shot object detection

Ref

• 半监督学习 - - 直推学习（Transductive learning）

1. 提出问题

在做zero-shot detection的时候，由于源数据(Seen)和目标数据集(unseen)之间的数据分布并不匹配，导致了严重的域偏移问题；

由于模型是根据seen的数据训练的，导致引入了较大的偏差，在一般的zero-shot设定下，会把unseen数据更大概率的预测成seen里面的类别。

2. 提出方案

• 提出一个基于如何学习最优的组合语义信息和视觉图像信息的思想的单阶段直推学习(transductive learning)zero-shot 检测模型。

• 为了更好的利用目标域的数据(unseen)，作者提出一个pseudo-labeling的策略，动态更新unlabeled data的伪标签；

• 为了保留源域(seen)的先验知识，作者还提出一个fixed pseudo-labeling的策略，将pretrained模型对unlabeled模型预测出fix pseudo-labeling；

3. Model

提出的模型流程图，(1)中将unlabeled data通过预训练的模型生成(2)fixed Pseudo-label数据；(3)将inductive model的值初始化Transductive model; (4) 将unlabeled data输入到Transductive model生成(5)Dynamic Pseudo label ; (6)Fixed and Dynamic labels输入到Transductive model中对Dynamic Pseudo-label交互式更新

4. 实验结果