Enseignant Poli : Segmentation d'Instances Semi-Supervisée avec Apprentissage Mutuel et Seuillage de Pseudo-Étiquettes

Nous présentons Polite Teacher, une méthode simple mais efficace pour la tâche de segmentation d'instances semi-supervisée. L'architecture proposée repose sur le cadre d'apprentissage mutuel entre un modèle enseignant et un modèle étudiant. Pour filtrer les pseudo-étiquettes bruyantes, nous utilisons un seuil de confiance pour les boîtes englobantes et un score de masque pour les masques. Cette approche a été testée avec CenterMask, un détecteur sans ancres en une seule étape. Évaluée sur l'ensemble de validation COCO 2017, notre architecture surpass significativement la ligne de base dans différents régimes de supervision (environ +8 points de pourcentage en AP de masque). Selon nos connaissances, c'est l'une des premières études à aborder le problème de la segmentation d'instances semi-supervisée et la première dédiée à un détecteur sans ancres.