Explotación de Pseudo-etiquetas de Baja Confianza para la Detección de Objetos Sin Fuente

La detección de objetos sin fuente (SFOD) tiene como objetivo adaptar un detector entrenado en fuente a un dominio objetivo no etiquetado sin acceso a los datos fuente etiquetados. Los métodos actuales de SFOD utilizan un enfoque de pseudo-etiquetas basado en umbrales en la fase de adaptación, que normalmente se limita a pseudo-etiquetas de alta confianza y resulta en una pérdida de información. Para abordar este problema, proponemos un nuevo enfoque que aprovecha al máximo las pseudo-etiquetas introduciendo umbrales de alta y baja confianza. Específicamente, las pseudo-etiquetas con puntajes de confianza por encima del umbral alto se utilizan de manera convencional, mientras que aquellas que se encuentran entre los umbrales bajo y alto se explotan utilizando el módulo de Utilización de Pseudo-etiquetas de Baja Confianza (LPU). El módulo LPU consta de Entrenamiento Suave de Propuestas (PST) y Aprendizaje Contraste Local Espacial (LSCL). PST genera etiquetas suaves de propuestas para el entrenamiento suave, lo que puede mitigar el problema de desajuste de etiquetas. LSCL explota la relación espacial local de las propuestas para mejorar la capacidad del modelo de diferenciar entre propuestas espacialmente adyacentes, optimizando aún más las características representacionales. La combinación de los dos componentes supera los desafíos que enfrentan los métodos tradicionales al utilizar pseudo-etiquetas de baja confianza. Experimentos extensivos en cinco puntos de referencia de detección de objetos interdominio demuestran que nuestro método propuesto supera los métodos anteriores de SFOD, logrando un rendimiento de vanguardia.