Formation auto-adaptive pour la détection d'objets

L’apprentissage profond s’est imposé comme une solution efficace pour la détection d’objets dans les images, mais au prix d’un besoin important de jeux de données étiquetés. Afin de réduire ce coût, des méthodes de détection d’objets semi-supervisées, qui exploitent de grandes quantités de données non étiquetées, ont été proposées et ont déjà montré des résultats remarquables. Toutefois, la plupart de ces méthodes nécessitent d’établir une correspondance entre une pseudo-étiquette et un objet de référence en utilisant un seuil fixe. Dans les travaux antérieurs, cette valeur de seuil est généralement déterminée de manière empirique, ce qui est chronophage, et ne s’applique qu’à une seule distribution de données. Lorsque le domaine, et donc la distribution des données, change, une nouvelle recherche coûteuse de paramètres devient nécessaire. Dans ce travail, nous introduisons notre méthode, Adaptive Self-Training for Object Detection (ASTOD), une approche enseignant-élève simple mais efficace. ASTOD détermine sans coût une valeur de seuil directement à partir de la distribution des scores dans l’histogramme des prédictions, en s’appuyant sur la valeur réelle du score. Pour améliorer la qualité des prédictions de l’enseignant, nous proposons également une nouvelle procédure de pseudo-étiquetage. Nous utilisons différentes vues des images non étiquetées pendant l’étape de pseudo-étiquetage afin de réduire le nombre de prédictions manquées et d’obtenir ainsi des étiquettes candidates de meilleure qualité. Notre enseignant et notre élève sont entraînés de manière indépendante, et notre méthode peut être appliquée de manière itérative en remplaçant l’enseignant par l’élève. Sur le jeu de données MS-COCO, notre méthode se distingue de manière cohérente par rapport aux méthodes de pointe ne nécessitant pas de seuil, et obtient des résultats compétitifs par rapport aux approches qui requièrent une recherche exhaustive des paramètres. Des expériences supplémentaires par rapport à une base supervisée sur le jeu de données DIOR, composé d’images satellites, conduisent à des conclusions similaires, prouvant ainsi qu’il est possible d’ajuster automatiquement le seuil de score lors de l’auto-entraînement, indépendamment de la distribution des données. Le code est disponible à l’adresse suivante : https://github.com/rvandeghen/ASTOD