Découverte d'objets par apprentissage contrastif pour la détection d'objets faiblement supervisée

La détection d'objets faiblement supervisée (WSOD) est une tâche qui consiste à détecter des objets dans une image en utilisant un modèle formé uniquement sur des annotations de niveau image. Les modèles actuels de pointe bénéficient d'une supervision auto-supervisée au niveau des instances, mais comme la supervision faible ne comprend pas d'informations sur le nombre ou l'emplacement, la méthode d'étiquetage la plus courante, « argmax », ignore souvent de nombreuses instances d'objets. Pour atténuer ce problème, nous proposons une nouvelle méthode d'étiquetage multiple des instances appelée découverte d'objets. Nous introduisons également une nouvelle perte contrastive sous supervision faible, où aucune information au niveau des instances n'est disponible pour l'échantillonnage, appelée perte contrastive faiblement supervisée (WSCL). La WSCL vise à construire un seuil de similarité crédible pour la découverte d'objets en exploitant les caractéristiques cohérentes pour les vecteurs d'embedding dans la même classe. En conséquence, nous obtenons de nouveaux résultats de pointe sur MS-COCO 2014 et 2017 ainsi que sur PASCAL VOC 2012, et des résultats compétitifs sur PASCAL VOC 2007.