SCOUT : Détection d'objets camouflés semi-supervisée en utilisant du texte et une sélection de données adaptative

La difficulté d'annotation au niveau des pixels a considérablement entravé le développement du domaine de la détection d'objets camouflés (COD). Pour économiser sur les coûts d'annotation, les travaux précédents s'appuient sur le cadre COD semi-supervisé qui repose sur un petit nombre de données étiquetées et un grand volume de données non étiquetées. Nous soutenons qu'il y a encore une marge d'amélioration significative dans l'utilisation efficace des données non étiquetées. À cette fin, nous introduisons une Détection d'objets camouflés semi-supervisée en utilisant du texte et une sélection de données adaptative (SCOUT). Elle comprend un module d'augmentation et de sélection de données adaptatif (ADAS) et un module de fusion de texte (TFM). Le module ADSA sélectionne des données précieuses pour annotation à travers une stratégie d'augmentation et d'échantillonnage adversariaux. Le module TFM exploite davantage les données précieuses sélectionnées en combinant des connaissances liées au camouflage et une interaction texte-vision. Pour s'adapter à ce travail, nous construisons un nouvel ensemble de données, nommé RefTextCOD. Des expériences approfondies montrent que la méthode proposée surpasse les méthodes semi-supervisées précédentes dans le domaine de la COD et atteint des performances de pointe. Notre code sera publié sur https://github.com/Heartfirey/UCOD-DPL.