Apprentissage complémentaire adversarial pour la localisation d'objets faiblement supervisée

Dans cette étude, nous proposons l'apprentissage complémentaire adversarial (ACoL) pour localiser automatiquement des objets intégraux d'intérêt sémantique avec une supervision faible. Nous commençons par démontrer mathématiquement que les cartes de localisation de classe peuvent être obtenues en sélectionnant directement les cartes de caractéristiques spécifiques à la classe de la dernière couche de convolution, ce qui ouvre une voie simple pour identifier les régions d'objets. Nous présentons ensuite une architecture de réseau simple comprenant deux classifieurs parallèles pour la localisation d'objets. Plus précisément, nous utilisons une branche de classification pour localiser dynamiquement certaines régions discriminantes des objets lors du passage en avant. Bien qu'elle réponde généralement aux parties rares des objets cibles, ce classifieur peut inciter le classifieur complémentaire à découvrir de nouvelles régions d'objets en effaçant les régions découvertes des cartes de caractéristiques. Grâce à cet apprentissage adversarial, les deux classifieurs parallèles sont contraints d'utiliser des régions d'objets complémentaires pour la classification et peuvent finalement générer ensemble une localisation intégrale des objets. Les avantages de l'approche ACoL sont principalement doubles : 1) elle peut être formée de manière end-to-end ; 2) l'effacement dynamique permet au classifieur complémentaire de découvrir plus efficacement des régions d'objets complémentaires. Nous illustrons la supériorité de notre approche ACoL dans diverses expériences. En particulier, le taux d'erreur de localisation Top-1 sur le jeu de données ILSVRC est de 45,14 %, ce qui constitue un nouveau niveau d'excellence (state-of-the-art).