RepPoints V2 : La vérification rencontre la régression pour la détection d'objets

La vérification et la régression sont deux méthodologies générales utilisées pour la prédiction dans les réseaux de neurones. Chacune présente des avantages propres : la vérification peut être plus facile à interpréter avec précision, tandis que la régression est plus efficace et adaptée aux variables cibles continues. Il est donc souvent avantageux de les combiner soigneusement afin d’exploiter leurs avantages respectifs. Dans cet article, nous appliquons cette approche pour améliorer les méthodes d’état de l’art en détection d’objets, en nous concentrant particulièrement sur RepPoints. Bien que RepPoints offre de hautes performances, nous constatons que sa forte dépendance à la régression pour la localisation des objets laisse place à des améliorations. Nous introduisons alors des tâches de vérification dans la prédiction de localisation de RepPoints, aboutissant à RepPoints v2, qui améliore de manière cohérente les performances d’environ 2,0 mAP par rapport à l’original sur le benchmark de détection d’objets COCO, quel que soit le réseau de base utilisé ou la méthode d’entraînement. RepPoints v2 atteint également un score de 52,1 mAP sur COCO \texttt{test-dev} avec un seul modèle. En outre, nous démontrons que l’approche proposée peut être généralisée pour améliorer d’autres architectures de détection d’objets, ainsi que des applications telles que la segmentation d’instances. Le code source est disponible à l’adresse suivante : https://github.com/Scalsol/RepPointsV2.