要約
本研究では、追加のラベルなしデータを活用して検出器の性能を向上させるため、半教師あり物体検出（SSOD）に焦点を当てている。近年、自己訓練（self-training）を用いることで、最先端のSSOD性能が達成されている。この手法では、学習の監視情報として真のラベル（ground truths）と疑似ラベル（pseudo-labels）が用いられる。しかし、現在の研究においては、SSODにおけるクラス不均衡が自己訓練の有効性を著しく制限していることが明らかになった。この問題に対処するため、本研究では新たなメモリモジュール「CropBank」を導入した、適応的クラス再均衡自己訓練（ACRST）を提案する。ACRSTは、CropBankから抽出された前景インスタンスを用いて、訓練データのクラスバランスを動的に再調整することで、クラス不均衡の影響を軽減する。一方、物体検出タスクの高い複雑性から、自己訓練およびデータ再均衡の両方において、SSODにおけるノイズを含む疑似ラベルの問題が顕在化している。これを解決するため、正確な疑似ラベルを生成するための新規な二段階フィルタリングアルゴリズムを提案する。本手法は、MS-COCOおよびVOCベンチマークにおいて著しい性能向上を達成した。MS-COCOにおいてラベル付きデータをわずか1％のみ使用した場合、従来の教師あり学習ベースラインに対して17.02 mAPの向上を達成し、最先端手法と比較しても5.32 mAPの改善を示した。