インスタント・ティーチング：エンドツーエンド半教師ありオブジェクト検出フレームワーク

教師あり学習に基づく物体検出フレームワークは、大量の手動アノテーションを必要とし、実用的な応用においては現実的ではない場合がある。一方、半教師あり物体検出（SSOD）は、ラベルなしデータを効果的に活用することでモデル性能を向上させることができ、物体検出モデルの実用化において極めて重要な意義を持つ。本論文では、SSODの再検討を行い、各訓練反復において「即時擬似ラベル付け」と拡張された弱-強データ拡張を用いて学習を指導する、完全にエンドツーエンドかつ効果的なSSODフレームワーク「Instant-Teaching」を提案する。さらに、確認バイアス（confirmation bias）の問題を緩和し、擬似アノテーションの品質を向上させるため、Instant-Teachingを基盤とするコリファイ（co-rectify）スキームを追加的に提案し、これを「Instant-Teaching$^*$」と呼ぶ。MS-COCOおよびPASCAL VOCの両データセットにおける広範な実験により、本フレームワークの優位性が実証された。具体的には、MS-COCOでラベル付きデータを2%のみ使用した場合、最先端手法を4.2 mAP上回る性能を達成した。また、MS-COCOの完全な教師付き情報を利用した状況でも、最先端手法を約1.0 mAP上回る結果を得た。PASCAL VOCでは、VOC07をラベル付きデータ、VOC12をラベルなしデータとして用いることで、5 mAP以上の性能向上が達成された。