Réévaluer les étiquettes pseudo pour la détection d'objets semi-supervisée

Les avancées récentes dans la détection d’objets semi-supervisée (SSOD) sont principalement alimentées par les méthodes de pseudo-étiquetage fondées sur la cohérence, initialement conçues pour les tâches de classification d’images, qui produisent des pseudo-étiquettes utilisées comme signaux de supervision. Toutefois, lors de l’utilisation de ces pseudo-étiquettes, deux aspects cruciaux pour les tâches de détection sont souvent négligés : la précision de localisation et l’aggravation du déséquilibre de classes. Dans ce travail, nous proposons des pseudo-étiquettes conscientes de la certitude, spécifiquement conçues pour la détection d’objets, capables d’estimer efficacement la qualité de classification et de localisation des pseudo-étiquettes générées. Cette estimation est obtenue en transformant la tâche de localisation classique en une tâche de classification, suivie d’un affinement. En s’appuyant sur des scores de qualité de classification et de localisation, nous ajustons dynamiquement les seuils utilisés pour générer les pseudo-étiquettes, tout en réajustant les fonctions de perte par catégorie afin de atténuer le problème du déséquilibre de classes. Des expériences étendues montrent que notre méthode améliore les performances de l’état de l’art en SSOD de 1 à 2 % de AP sur COCO et PASCAL VOC, tout en restant orthogonale et complémentaire à la plupart des méthodes existantes. Dans un régime à faible annotation, notre approche améliore les performances des modèles supervisés jusqu’à 10 % de AP en utilisant uniquement 1 à 10 % des données étiquetées provenant de COCO.