Frontières d'objets faiblement supervisées

Les méthodes de détection de contours basées sur l'apprentissage les plus avancées nécessitent des données d'entraînement considérables. Étant donné que l'étiquetage des contours d'objets est l'un des types d'annotations les plus coûteux, il est nécessaire de réduire l'exigence de marquer soigneusement les images afin de rendre l'entraînement moins onéreux et d'augmenter la quantité de données d'entraînement. Dans cet article, nous proposons une technique pour générer des annotations faiblement supervisées et montrons que les annotations par boîtes englobantes seules suffisent pour atteindre des contours d'objets de haute qualité sans utiliser aucune annotation spécifique aux contours d'objets. Grâce aux techniques de supervision faible proposées, nous obtenons les meilleures performances dans la tâche de détection de contours d'objets, surpassant largement les méthodes actuelles entièrement supervisées qui sont à la pointe du domaine.