Achtung der Lücke: Verbesserung von Pseudolabels für eine genaue semi-supervised Objektdetektion

Die Nutzung von Pseudolabels (z. B. Kategorien und Bounding Boxes) unannotierter Objekte, die von einem Teacher-Detektor generiert werden, hat maßgeblich zum jüngsten Fortschritt im semi-supervised Object Detection (SSOD) beigetragen. Aufgrund der begrenzten Generalisierungsfähigkeit des Teacher-Detektors, die durch die geringe Anzahl an Annotationen bedingt ist, weichen die erzeugten Pseudolabels jedoch oft von der Wahrheit ab, insbesondere bei Objekten mit relativ geringer Klassifikationszuverlässigkeit, was die Generalisierungsfähigkeit des SSOD-Verfahrens einschränkt. Um dieses Problem zu mildern, schlagen wir einen dualen Pseudolabel-Polier-Framework für SSOD vor. Anstatt die von dem Teacher-Detektor direkt erzeugten Pseudolabels unmittelbar zu nutzen, führen wir erstmals eine Reduktion ihrer Abweichung von der Wahrheit durch dualen Polier-Lernen durch, bei dem zwei unterschiedlich strukturierte Polier-Netzwerke sorgfältig entwickelt und anhand synthetisch erzeugter Paare von Pseudolabels und den entsprechenden Wahrheiten für Kategorien und Bounding Boxes an bereits annotierten Objekten trainiert werden. Auf diese Weise können beide Polier-Netzwerke durch ausreichende Nutzung ihres Kontextwissens auf Basis der ursprünglich generierten Pseudolabels präzisere Pseudolabels für unannotierte Objekte ableiten und damit die Generalisierungsfähigkeit des SSOD-Verfahrens verbessern. Darüber hinaus lässt sich dieses Schema nahtlos in bestehende SSOD-Frameworks integrieren, um gemeinsam end-to-end zu lernen. Zudem schlagen wir vor, die polierten Pseudokategorien und Bounding Boxes unannotierter Objekte zu entkoppeln, um sie separat für die Klassifikation und die Bounding-Box-Regression im SSOD einzusetzen. Dies ermöglicht die Einbeziehung weiterer unannotierter Objekte während des Trainings und steigert somit die Leistungsfähigkeit des Verfahrens zusätzlich. Experimente an den Benchmarks PASCAL VOC und MS COCO belegen die Überlegenheit des vorgeschlagenen Ansatzes gegenüber bestehenden State-of-the-Art-Methoden.