Moins, c’est mieux : Détection d’objets faiblement supervisée basée sur la segmentation d’image avec agrégation partielle

Nous abordons les principaux échecs des détecteurs d’objets faiblement supervisés. La plupart des méthodes actuelles de détection faiblement supervisée reposent sur des propositions prédéfinies, ce qui conduit fréquemment à deux types d’erreurs : (i) regrouper plusieurs instances d’objets dans une seule boîte englobante, et (ii) se concentrer uniquement sur des parties de l’objet plutôt que sur l’objet entier. Pour pallier ces limites, nous proposons un cadre de segmentation d’image afin d’améliorer la détection précise des instances individuelles. Les images d’entrée sont d’abord segmentées en plusieurs sous-images en fonction des chevauchements entre les propositions, ce qui permet de désassembler les objets regroupés. Ensuite, le lot de sous-images est introduit dans un réseau convolutif pour entraîner un détecteur d’objets. À l’intérieur de chaque sous-image, une stratégie d’agrégation partielle est adoptée afin de sélectionner dynamiquement une partie des scores au niveau des propositions, afin de produire une sortie au niveau de la sous-image. Cette approche régularise le modèle pour qu’il apprenne des connaissances contextuelles sur le contenu des objets. Enfin, les sorties des différentes sous-images sont combinées par agrégation pour former la prédiction finale du modèle. Cette approche est implémentée avec un architecture VGG-D comme base afin de garantir une comparabilité avec les méthodes de pointe récentes en détection faiblement supervisée. Des expériences étendues sur les jeux de données PASCAL VOC démontrent l’efficacité de notre proposition : le modèle proposé surpasse les autres approches sur les tâches de détection, de localisation et de classification.