Détection d'objets semi-supervisée guidée par la densité des cultures dans les images aériennes

L’un des principaux goulets d’étranglement dans l’entraînement des détecteurs d’objets modernes réside dans la nécessité d’images étiquetées, où des annotations de boîtes englobantes doivent être produites pour chaque objet présent dans l’image. Ce goulet d’étranglement est encore amplifié dans le cas des images aériennes, où les annotateurs doivent étiqueter des objets petits souvent répartis en groupes sur des images à haute résolution. Ces dernières années, l’approche mean-teacher, entraînée à l’aide de pseudo-étiquettes et de la cohérence entre augmentations faibles et fortes, gagne en popularité pour la détection d’objets semi-supervisée. Toutefois, une adaptation directe de ces détecteurs semi-supervisés aux images aériennes, où les objets petits en groupes sont fréquents, pourrait ne pas conduire à des résultats optimaux. Dans ce papier, nous proposons un détecteur semi-supervisé guidé par des zones de densité (density crop-guided), qui identifie pendant l’entraînement les groupes d’objets petits et exploite ces informations pour améliorer les performances en phase d’inférence. Pendant l’entraînement, des sous-images (crops) correspondant aux groupes identifiés dans les images étiquetées et non étiquetées sont utilisées pour enrichir l’ensemble d’entraînement, augmentant ainsi les chances de détection des objets petits et la qualité des pseudo-étiquettes générées pour ces objets sur les images non étiquetées. En phase d’inférence, le détecteur est capable non seulement de détecter les objets d’intérêt, mais aussi de localiser les régions à forte densité d’objets petits (appelées « density crops »), permettant de combiner les détections issues de l’image d’entrée avec celles provenant des sous-images, ce qui conduit à une prédiction globalement plus précise, en particulier pour les objets de petite taille. Des études expérimentales sur les benchmarks populaires VisDrone et DOTA démontrent l’efficacité de notre méthode, avec une amélioration moyenne de plus de 2 % par rapport à la méthode de base mean-teacher en termes de précision COCO (COCO-style AP). Le code source est disponible à l’adresse suivante : https://github.com/akhilpm/DroneSSOD.