エンドツーエンド半教師ありオブジェクト検出におけるクラス不均衡の再検討

半教師あり物体検出（SSOD）は、擬似ラベルに基づくエンドツーエンド手法の発展により、著しい進展を遂げている。しかし、これらの多くの手法は、クラス不均衡の問題に直面しており、これが擬似ラベル生成器の効果を阻害している。さらに、先行研究において、低品質な擬似ラベルがSSODの性能を著しく制限していることが指摘されている。本論文では、低品質な擬似ラベルの根本的な原因を分析し、ラベル生成品質を向上させるための新たな学習メカニズムを提案する。高False-Negative率および低精度の問題に対処するため、最適なバウンディングボックスをフィルタリングするための適応的閾値化機構を導入する。さらに、位置推定に関する正確な情報を提供することでバウンディングボックスの精緻化を支援する「Jitter-Baggingモジュール」を提案する。また、教師ネットワークと生徒ネットワークが予測する背景および前景スコアを活用し、新たな2つの損失関数を導入することで、擬似ラベルの再現率を向上させる。さらに、強化と弱化の両方のデータを教師ネットワークに供給することで、厳密な監視を実現し、小物体や複雑な物体を効果的に検出可能な堅牢な擬似ラベルを生成する。最後に、広範な実験の結果、提案手法はMS-COCOおよびPascal VOCデータセットにおいて、最先端の手法を上回る性能を達成しており、ラベル付きデータを従来の20%程度に抑えた状態で、ベースラインネットワークが100%の教師あり学習性能に到達することを可能にした。