Apprentissage collaboratif conservateur-progrès pour la segmentation sémantique semi-supervisée

La pseudo-supervision est considérée comme l'idée centrale de l'apprentissage semi-supervisé pour la segmentation sémantique, et un compromis persiste toujours entre l'utilisation exclusive des pseudo-étiquettes de haute qualité et l'exploitation de toutes les pseudo-étiquettes. Pour résoudre ce dilemme, nous proposons une nouvelle approche d'apprentissage, nommée Conservative-Progressive Collaborative Learning (CPCL), dans laquelle deux réseaux de prédiction sont entraînés en parallèle, et la pseudo-supervision est mise en œuvre à partir à la fois de l'accord et du désaccord entre les deux prédictions. Un réseau cherche à exploiter les points communs grâce à une supervision par intersection, et est supervisé uniquement par les étiquettes de haute qualité afin d'assurer une supervision plus fiable, tandis que l'autre réseau préserve les différences via une supervision par union, et est supervisé par l'ensemble des pseudo-étiquettes afin de favoriser une exploration continue motivée par la curiosité. Ainsi, une collaboration entre une évolution conservatrice et une exploration progressive est réalisée. Pour réduire l'impact des pseudo-étiquettes suspectes, la fonction de perte est dynamiquement réévaluée selon le niveau de confiance des prédictions. Des expériences étendues montrent que CPCL atteint des performances de pointe dans le domaine de la segmentation sémantique semi-supervisée.