オブジェクト検出のためのシンプルな準教師付き学習フレームワーク

半教師あり学習（Semi-supervised Learning, SSL）は、ラベルなしデータを活用することで機械学習モデルの予測性能を向上させる可能性を秘めている。近年、顕著な進展が見られているものの、SSLの実証範囲は主に画像分類タスクに限られていた。本論文では、視覚的オブジェクト検出を対象としたシンプルかつ効果的なSSLフレームワーク「STAC」と、それに適したデータ拡張戦略を提案する。STACは、ラベルなし画像から局所化されたオブジェクトに対して高信頼度の擬似ラベルを生成し、強力なデータ拡張を用いた一貫性の強制によりモデルを更新する。本研究では、MS-COCOデータセットを用いた半教師ありオブジェクト検出の評価プロトコルを提案し、STACの有効性をMS-COCOおよびVOC07の両データセットで実証する。VOC07では、AP$^{0.5}$が76.30から79.08へと向上した。MS-COCOでは、STACは5%のラベル付きデータのみで24.38 mAPを達成し、10%のラベル付きデータを使用する教師ありベースライン（23.86 mAP）と比較して、データ効率が2倍に向上した。コードは https://github.com/google-research/ssl_detection/ にて公開されている。