基于单阶段锚框的检测器缺乏生成高质量或灵活伪标签的结构，导致半监督目标检测（SSOD）出现严重的不一致性问题。
在本文中，我们提出了 Efficient Teacher（高效教师）框架，用于可扩展且有效的基于锚点的单阶段 SSOD 训练。由如下部分组成：
- Dense Detector：是一个baseline模型，它利用受 YOLOv5 启发的密集采样技术扩展了 RetinaNet。
- Pseudo Label Assigner：能更精细地利用密集检测器（Dense Detector）中的伪标签，解决pseudo label inconsistency问题。防止了大量低质量伪标签在师生互学机制中对 Dense Detector 造成干扰而导致偏差的发生。
- Epoch Adaptor：是一种能为 Dense Detector 提供稳定、高效的端到端 SSOD 训练计划的方法。利用域和分布自适应让 Dense Detector 学习全局分布一致的特征，使训练与标记数据的比例无关。
本文的主要贡献如下：
- 我们设计了 Dense Detector 作为基线模型来比较 YOLOv5 和 RetinaNet 之间的差异，通过使用密集采样，性能提高了 5.36AP50:95。
- 我们提出了一种有效的 SSOD 训练框架，称为 Efficient Teacher，其中包括一种新颖的伪标签分配机制–伪标签分配器（Pseudo Label Assigner），可减少伪标签的不一致性；以及 Epoch Adaptor，可实现快速高效的端到端 SSOD 训练计划。
- 我们的实验证明，在 YOLOv5 上使用 Efficient Teacher 可以在 VOC、COCO 标准和 COCO 附加数据集上产生一流的结果，同时消耗的 FLOPs 明显少于以前的方法。
- objectness score表示预测框的位置质量，密集检测器通过计算预测框和GT框之间的完全IoU来获得客观性得分。
- X(h, w)是学生模型的输出
- Y(h, w)是Dense Detector的label Assigner产生的采样结果
obj(h,w)是谁产生的？
GRL有啥用？
