Détection d'objets faiblement supervisée basée sur le coefficient de dissimilarité

Nous abordons le problème de la détection d'objets faiblement supervisée, où les échantillons d'entraînement sont annotés uniquement avec des étiquettes au niveau de l'image indiquant la présence ou l'absence d'une catégorie d'objet. Pour modéliser l'incertitude concernant l'emplacement des objets, nous utilisons un objectif d'apprentissage probabiliste basé sur un coefficient de dissimilarité. Cet objectif d'apprentissage minimise la différence entre une distribution de prédiction agnostique aux annotations et une distribution conditionnelle consciente des annotations. Le principal défi computationnel réside dans la nature complexe de la distribution conditionnelle, qui comprend des termes sur plusieurs centaines ou milliers de variables. La complexité de cette distribution conditionnelle exclut la possibilité de la modéliser explicitement. À la place, nous exploitons le fait que les cadres d'apprentissage profond s'appuient sur l'optimisation stochastique. Cela nous permet d'utiliser un modèle génératif discret de pointe capable de fournir des échantillons cohérents avec les annotations à partir de la distribution conditionnelle. Des expériences approfondies sur les ensembles de données PASCAL VOC 2007 et 2012 démontrent l'efficacité de notre approche proposée.