Enseignant Impartial pour la Détection d'Objets Semi-Supervisée

L'apprentissage semi-supervisé, c'est-à-dire l'entraînement de réseaux avec des données étiquetées et non étiquetées, a connu des progrès significatifs ces derniers temps. Cependant, les travaux existants se sont principalement concentrés sur les tâches de classification d'images et ont négligé la détection d'objets, qui nécessite un effort d'annotation plus important. Dans ce travail, nous reprenons la Détection d'Objets Semi-Supervisée (SS-OD) et identifions le problème de biais dans l'étiquetage pseudo. Pour remédier à cela, nous introduisons Unbiased Teacher, une approche simple mais efficace qui entraîne conjointement un modèle élève et un modèle enseignant en progression graduelle de manière mutuellement bénéfique. Associée à une perte d'équilibre de classe pour atténuer les étiquettes pseudo trop confiantes, Unbiased Teacher améliore constamment les méthodes de pointe avec des marges importantes sur les jeux de données COCO-standard, COCO-additional et VOC. Plus précisément, Unbiased Teacher réalise une amélioration absolue de 6,8 points mAP par rapport à la méthode de pointe lorsqu'elle utilise 1 % des données étiquetées sur MS-COCO, et obtient environ 10 points mAP d'amélioration par rapport à la ligne de base supervisée lorsqu'elle utilise seulement 0,5 %, 1 % ou 2 % des données étiquetées sur MS-COCO.