تعلم الاقتراح للكشف شبه المراقب عن الأجسام

في هذه الورقة، نركز على الكشف شبه المراقب عن الأجسام لتعزيز أداء كاشفات الأجسام المعتمدة على الاقتراحات (المعروفة أيضًا بكاشفات الأجسام ثنائية المرحلة) من خلال التدريب على كل من البيانات المعلَمة وغير المعلَمة. ومع ذلك، من غير البسيط تدريب كاشفات الأجسام على البيانات غير المعلَمة بسبب عدم توفر تسميات الحقيقة الأرضية. لمعالجة هذه المشكلة، نقدم نهج تعلم الاقتراح لتعلم ميزات الاقتراحات والتوقعات من كل من البيانات المعلَمة وغير المعلَمة. يتكون النهج من وحدة تعلم اقتراح شبه ذاتية ووحدة تعلم اقتراح قائمة على التناسق. في وحدة تعلم الاقتراح شبه الذاتية، نقدم خسارة موقع الاقتراح وخسارة تمييزية لتعلم ميزات اقتراح واعية للسياق ومقاومة للضوضاء على التوالي. في وحدة تعلم الاقتراح القائمة على التناسق، نطبق خسائر التناسق على كل من تصنيف الصناديق المحيطة وتوقعات الانحدار للاقتراحات لتعلم ميزات واقتراحات مقاومة للضوضاء. يتمتع نهجنا بالفوائد التالية: 1) تشجيع المزيد من معلومات السياق لتقديمها في إجراء تعلم الاقتراحات؛ 2) ميزات اقتراح ضوضائية وتطبيق التناسق للسماح بكشف الأجسام المقاومة للضوضاء؛ 3) بناء إطار عمل عام وعالي الأداء للكشف شبه المراقب عن الأجسام، يمكن تكييفه بسهولة مع كاشفات الأجسام المعتمدة على الاقتراحات مع هياكل عظمية مختلفة. تم إجراء التجارب على مجموعة بيانات COCO مع جميع البيانات المعلَمة وغير المعلَمة المتاحة. تُظهر النتائج أن نهجنا يُحسِّن باستمرار أداء الخطوط الأساسية المعتمدة بالكامل. على وجه الخصوص، بعد الدمج مع استخلاص البيانات 39، يُحسِّن نهجنا AP بحوالي 2.0% و0.9% في المتوسط مقارنةً بالخطوط الأساسية المعتمدة بالكامل وخطوط استخلاص البيانات على التوالي.