要約
大規模なデータセットにおける正確なアノテーションは、物体検出の性能にとって極めて重要である。物体検出タスクは、その性能を確保するためには膨大な数のアノテーション付きサンプルを必要とするが、各サンプルのすべての物体に対してバウンディングボックスを手動で描画するのは時間のかかる作業であり、コストも非常に高くなる。この問題を軽減するために、本研究では、利用可能なラベルなしデータを活用し、一貫性制約を活用することで検出性能を向上させる手法として、一貫性に基づく半教師付き学習による物体検出手法（Consistency-based Semi-supervised learning for object Detection, CSD）を提案する。具体的には、一貫性制約を物体分類だけでなく、物体の位置推定（ローカライゼーション）にも適用する。さらに、主導的な背景が検出性能に悪影響を及ぼすのを回避するため、背景除去（Background Elimination, BE）を導入した。提案手法CSDは、単段階型および二段階型の検出器の両方で評価された結果、本手法の有効性が確認された。