屋内インスタンス物体検出において、従来の深層学習はネットワーク訓練のために大量の手動ラベル付けされた訓練サンプルを必要とし、時間と労力を要します。これに対し、特異値分解（Singular Value Decomposition、SVD）と協調学習を用いた半教師付きインスタンスレベル物体検出ネットワークSVD-RCNNを提案および実装しました。重要なサンプルを選択して手動ラベル付けとSVD-RCNNの事前学習を行い、より多くの事前知識を獲得できるようにし、SVDに基づく収束-分解-微調整戦略を採用して、SVD-RCNN内で互いに独立性の高い2つの検出器を得て協調学習の要件を満たします。最後に、自適応型の自己ラベリング戦略を提案し、高品質な自己ラベリングと検出結果を得ました。複数の屋内インスタンスデータセットで本手法を検証し、GMUデータセットでは手動ラベル付け199サンプルのみで平均精度（mean Average Precision、mAP）79.3％を達成し、3,851サンプルのラベル付けが必要な全教師ありFaster RCNNの81.3％ mAPと比較してわずか2％の降下でした。アブレーション実験および一連の実験により、本手法の有効性と汎用性が実証されました。本手法は訓練データの5％のみを手動ラベル付けすることで、全教師あり学習に匹敵するインスタンスレベル物体検出精度を達成でき、知能ロボットによる異なるインスタンス物体の効率的な認識の実用化に寄与します。

コンピュータビジョン;物体検出;半教師付き学習;自己ラベリング