要約
実世界の応用においてラベル付きデータは高コストであるため、仮ラベル（pseudo labelling）を基盤とする半教師ありオブジェクト検出器は注目を集めている。しかし、曖昧なサンプル（confusing samples）の取り扱いは容易ではない：価値ある曖昧なサンプルを棄却するとモデルの一般化性能が低下する一方で、それらを訓練に使用すると避けがたい誤ラベリングに起因する確認バイアス（confirmation bias）が悪化する。この問題を解決するため、本論文ではラベル修正をせずに曖昧なサンプルを積極的に活用する手法を提案する。具体的には、各曖昧なサンプルに仮想カテゴリ（Virtual Category: VC）を割り当てることで、明確なラベルがなくてもモデル最適化に安全に貢献できるようにする。このアプローチの根拠は、訓練サンプルと仮想カテゴリ間の埋め込み距離をクラス間距離の下限として設定することにある。さらに、位置推定のロス関数も改良し、高精度な境界を位置回帰に反映できるようにしている。広範な実験により、提案手法であるVC学習が、特にラベルが限られた状況下で最先端の手法を大きく上回ることが確認された。