Extraction d'instances d'objets pour la détection d'objets faiblement supervisée

La détection d'objets faiblement supervisée (WSOD) utilisant uniquement des annotations au niveau d'image a suscité un intérêt croissant au cours des dernières années. Les approches existantes basées sur l'apprentissage par instances multiples (MIL) sont facilement sujettes à des optima locaux, car ce mécanisme a tendance à s'appuyer sur l'objet le plus discriminant d'une image pour chaque catégorie. Par conséquent, ces méthodes souffrent de la perte d'instances d'objets, ce qui dégrade les performances de la WSOD. Pour remédier à ce problème, cette étude propose un cadre end-to-end de fouille d'instances d'objets (OIM) pour la détection faiblement supervisée. L'OIM vise à détecter toutes les instances d'objets possibles présentes dans chaque image en introduisant une propagation d'information sur des graphes spatiaux et d'apparence, sans nécessiter d'annotations supplémentaires. Au cours du processus itératif d'apprentissage, les instances d'objets moins discriminantes appartenant à la même catégorie peuvent être progressivement détectées et exploitées pour l'entraînement. En outre, nous proposons une fonction de perte rééquilibrée sur les instances d'objets afin d'apprendre une plus grande partie de chaque instance, améliorant ainsi davantage les performances. Les résultats expérimentaux sur deux bases de données publiques, VOC 2007 et 2012, démontrent l'efficacité de l'approche proposée.