مُدرِّس غير متحيّز v2: الكشف عن الكائنات شبه المُعلَّم للمسحّات غير القائمة على المُستطيلات والمُستطيلات

مع التطور الأخير في تقنيات الكشف عن الكائنات شبه المُعلَّمة (SS-OD)، أصبح من الممكن تحسين كاشفات الكائنات باستخدام كمية محدودة من البيانات المُعلَّمة وكمية كبيرة من البيانات غير المُعلَّمة. ومع ذلك، لا تزال هناك تحديان لم يتم معالجتهما: (1) لا توجد أي أعمال سابقة في SS-OD تتناول كاشفات خالية من المُعلِّقات (anchor-free)، و(2) تكون الطرق السابقة غير فعّالة عند استخدام التسمية الوهمية (pseudo-labeling) لانحدار مربعات الحدود (bounding box regression). في هذا البحث، نقدّم "مُدرّس عادل v2" (Unbiased Teacher v2)، الذي يُظهر قابلية التعميم لطرق SS-OD على الكاشفات الخالية من المُعلِّقات، كما يقدّم آلية "Listen2Student" لخسارة الانحدار غير المُعلَّم. بشكل مفصّل، نقدّم أولًا دراسة تُقيّم فعالية الطرق الحالية لـ SS-OD على الكاشفات الخالية من المُعلِّقات، ونجد أن هذه الطرق تحقق تحسينات أداء أقل بكثير في البيئة شبه المُعلَّمة. كما نلاحظ أن اختيار المربعات باستخدام معيار "المركزية" (centerness) والطريقة القائمة على التحديد المكاني المستخدمة في الكاشفات الخالية من المُعلِّقات لا تعمل بشكل جيد في السياق شبه المُعلَّم. من ناحية أخرى، تمنع آلية "Listen2Student" بشكل صريح التسمية الوهمية المضللة أثناء تدريب انحدار مربعات الحدود؛ حيث نطوّر آلية جديدة لاختيار التسميات الوهمية تعتمد على درجة عدم اليقين النسبية بين المُدرّس (Teacher) والطالب (Student). يُسهم هذا المفهوم في تحسين ملحوظ للفرع المعني بالانحدار في البيئة شبه المُعلَّمة. ويُظهر أسلوبنا، الذي يعمل بكفاءة على كل من الكاشفات الخالية من المُعلِّقات والكاشفات القائمة على المُعلِّقات، أداءً متفوّقًا باستمرار مقارنة بالطرق الرائدة في المجموعات البيانات VOC وCOCO-standard وCOCO-additional.