Dense Teacher：半教師付きオブジェクト検出のための密度型偽ラベル

これまでの半教師あり物体検出（SS-OD）手法で最も強力なものは、偽ボックス（pseudo-boxes）に基づくものであり、微調整されたハイパーパラメータを用いた一連の後処理を必要としている。本研究では、疎な偽ボックスを、統一的かつ直感的な形態としての密な予測（dense prediction）に置き換える手法を提案する。この密な偽ラベル（Dense Pseudo-Label, DPL）は、従来の偽ボックスと異なり、いかなる後処理も不要であるため、より豊かな情報量を保持できる。さらに、密なラベルに伴うノイズを抑制しつつ、重要な領域を強調するための領域選択技術を導入した。本研究で提案するDPLを活用した半教師あり物体検出アルゴリズムを「Dense Teacher」と命名する。COCOおよびVOCデータセットにおける実験結果から、さまざまな設定において、DPLに基づく従来手法と比較して、Dense Teacherが優れた性能を示した。