FDCNet : Réseau de Compensation de Dérive des Caractéristiques pour la Localisation d'Objets Faiblement Supervisée à Classes Incrementales

Ce travail aborde la tâche de localisation d'objets faiblement supervisée avec ajout de classes (CI-WSOL). L'objectif est d'apprendre progressivement la localisation d'objets pour de nouvelles classes en utilisant uniquement des annotations au niveau de l'image tout en conservant la capacité de localiser les classes précédemment apprises. Cette tâche est importante car l'annotation de boîtes englobantes pour chaque nouveau jeu de données est coûteuse, bien que la localisation d'objets soit cruciale dans diverses applications. À notre connaissance, nous sommes les premiers à aborder cette tâche. Nous présentons donc d'abord une méthode de référence robuste pour le CI-WSOL en adaptant les stratégies des classifieurs avec ajout de classes afin d'atténuer l'oubli catastrophique. Ces stratégies comprennent l'application du distillation de connaissances, le maintien d'un petit ensemble de données provenant des tâches précédentes et l'utilisation de la normalisation cosinus. Nous proposons ensuite un réseau de compensation des décalages des caractéristiques pour atténuer les effets des décalages des caractéristiques sur les scores de classe et les cartes de localisation. Étant donné que la mise à jour des paramètres du réseau pour apprendre de nouvelles tâches provoque des décalages des caractéristiques, il est nécessaire de compenser les sorties finales. Enfin, nous évaluons notre méthode proposée en menant des expériences sur deux jeux de données publiquement disponibles (ImageNet-100 et CUB-200). Les résultats expérimentaux montrent que la méthode proposée surpasse les autres méthodes de référence.