Une Nouvelle Architecture Unifiée pour le Comptage à Faible Échantillon par Détection et Segmentation

Les compteurs d'objets à faible échantillonnage estiment le nombre d'objets dans une image en utilisant peu ou pas d'exemples annotés. Les objets sont localisés en les faisant correspondre à des prototypes, qui sont construits par agrégation non supervisée de l'apparence globale des objets dans l'image. En raison de l'apparence potentiellement diversifiée des objets, les approches existantes conduisent souvent à une généralisation excessive et à des détections fausses positives. De plus, les méthodes les plus performantes entraînent la localisation des objets par une perte substitutive, qui prédit une Gaussienne unitaire au centre de chaque objet. Cette perte est sensible aux erreurs d'annotation, aux hyperparamètres et ne optimise pas directement la tâche de détection, ce qui conduit à des estimations sous-optimales du nombre d'objets. Nous présentons GeCo, un nouveau compteur d'objets à faible échantillonnage qui réalise une détection précise des objets, leur segmentation et l'estimation de leur nombre dans une architecture unifiée. GeCo généralise robustement les prototypes sur différentes apparences d'objets grâce à une nouvelle formulation de requêtes d'objets denses. De plus, une nouvelle perte de comptage est proposée, qui optimise directement la tâche de détection et évite les problèmes liés à la perte substitutive standard. GeCo dépasse les compteurs basés sur la détection en faible échantillonnage les plus avancés de $\sim$25\% en termes de MAE (Mean Absolute Error) total, atteint une précision de détection supérieure et établit un nouveau résultat solide de pointe dans tous les scénarios de comptage à faible échantillonnage.