Détection d'objets semi-supervisée avec apprentissage contrastif par objet et incertitude de régression

La détection d'objets semi-supervisée (SSOD) vise à améliorer les performances de détection en exploitant des données non étiquetées supplémentaires. Le cadre enseignant-étudiant s'est révélé prometteur pour la SSOD, dans lequel un réseau enseignant génère des pseudo-étiquettes pour les données non étiquetées afin d’assister l’entraînement d’un réseau étudiant. Étant donné que ces pseudo-étiquettes sont bruitées, leur filtrage s’avère crucial pour exploiter pleinement le potentiel de ce cadre. Contrairement aux méthodes existantes suboptimales, nous proposons une méthode de filtrage des pseudo-étiquettes en deux étapes, appliquée séparément aux têtes de classification et de régression dans un cadre enseignant-étudiant. Pour la tête de classification, nous introduisons OCL (Object-wise Contrastive Learning), une méthode de régularisation de l’apprentissage des représentations d’objets qui utilise les données non étiquetées pour améliorer le filtrage des pseudo-étiquettes en renforçant la discriminabilité des scores de classification. Cette approche a pour objectif de regrouper les objets appartenant à la même classe tout en éloignant ceux appartenant à des classes différentes. Pour la tête de régression, nous proposons par ailleurs RUPL (Regression-Uncertainty-guided Pseudo-Labeling), une méthode qui apprend l’incertitude aleatoire de la localisation des objets afin de guider le filtrage des étiquettes. En filtrant conjointement les pseudo-étiquettes des têtes de classification et de régression, le réseau étudiant reçoit une guidance plus précise du réseau enseignant pour la tâche de détection d’objets. Les résultats expérimentaux sur les jeux de données Pascal VOC et MS-COCO démontrent l’efficacité de notre méthode, qui atteint des performances compétitives par rapport aux approches existantes.