Résumé Technique : DepthPrior

Problématique

Les détecteurs d'objets peinent à détecter de manière fiable les objets petits et lointains en raison de la variation d'échelle, de la faible résolution et de l'encombrement de l'arrière-plan. Bien que l'information de profondeur possède le potentiel d'améliorer la détection, les approches existantes nécessitent généralement des modifications architecturales complexes et spécifiques au modèle (par exemple, des réseaux à branches multiples, des convolutions spécialisées ou de la fusion de caractéristiques) qui entravent le déploiement pratique. De plus, l'entraînement supervisé standard traite les objets de manière uniforme quelle que soit la distance, ignorant la relation systématique entre la distance de l'objet et la difficulté de détection. Cela conduit à un biais d'entraînement où les modèles privilégient les objets proches (qui présentent une faible variance de perte) et sous-ajustent systématiquement les objets lointains (qui présentent une variance de perte élevée). De plus, le post-traitement standard lors de l'inférence applique des seuils de confiance uniformes pour toutes les profondeurs, rejetant ainsi des détections valides d'objets lointains qui reçoivent des scores de confiance systématiquement plus bas.

Méthodologie

Le papier introduit DepthPrior, un cadre qui utilise la profondeur comme connaissance a priori pour informer l'entraînement et l'inférence sans modifier les architectures de détection. Le cadre se compose de trois composants :

1. Fondement Théorique

Les auteurs formalisent la relation profondeur-détection, prouvant que la variance de la perte de détection évolue avec la profondeur (hétéroscédasticité). Sous la loi du carré inverse de l'intensité lumineuse, la qualité du signal se dégrade avec la distance, augmentant l'incertitude aléatoire. La descente de gradient stochastique (SGD) standard avec un pondération uniforme s'adapte naturellement aux échantillons à faible variance (proches) en premier, ce qui conduit au sous-ajustement systématique des objets lointains.

2. Composants d'Entraînement

Pour contrer ce biais, DepthPrior emploie deux interventions au niveau de la perte :

• Pondération de la Perte Basée sur la Profondeur (DLW - Depth-Based Loss Weighting) : Implémente des poids compensant la variance basés sur la dérivation théorique. Elle applique une fonction de pondération exponentielle à la perte de chaque objet basée sur sa profondeur normalisée. Cela pondère les contributions à travers le batch (relation inter-images), en privilégiant les objets lointains sans nécessiter de changements architecturaux.
• Stratification de la Perte Basée sur la Profondeur (DLS - Depth-Based Loss Stratification) : Décompose la perte de détection par image en intervalles « proches » et « lointains » à l'aide d'un masque de profondeur binaire. Ces intervalles reçoivent des poids distincts (par exemple, un poids plus élevé pour les objets lointains), permettant un contrôle explicite de la dynamique d'apprentissage pour des plages de profondeur spécifiques (relation intra-image).

3. Composant d'Inférence

• Seuillage de Confiance Sensible à la Profondeur (DCT - Depth-Aware Confidence Thresholding) : Traite la dégradation systématique de la confiance des objets lointains lors de l'inférence. Au lieu d'un seuil uniforme, DCT apprend des seuils de confiance dépendants de la profondeur en utilisant des B-splines cubiques. Ces seuils sont optimisés sur un ensemble de validation pour maximiser les vrais positifs tout en contraignant les faux positifs, récupérant ainsi efficacement les détections valides qui seraient autrement rejetées par un post-traitement standard.

Principales Contributions

1. Formalisation Théorique : Le papier fournit une preuve théorique que la profondeur induit une hétéroscédasticité dans la perte de détection, créant un biais d'entraînement systématique vers les objets proches que la supervision uniforme standard ne parvient pas à traiter.
2. Cadre Modulaire : DepthPrior offre une solution "plug-and-play" qui exploite les a priori de profondeur sans modifications architecturales, maintenant l'indépendance vis-à-vis du choix spécifique du détecteur (basé sur des ancres ou sans ancres) et du domaine de déploiement.
3. Validation Empirique : Le cadre est validé sur quatre benchmarks diversifiés (KITTI, MS COCO, VisDrone, SUN RGB-D) et deux familles de détecteurs (EfficientDet et YOLOv11), démontrant son efficacité tant dans les étapes d'entraînement que d'inférence.

Résultats Expérimentaux

Les expériences démontrent que DepthPrior améliore significativement la détection des objets petits et lointains :

• Gains de Performance : Sur le jeu de données KITTI, DepthPrior a atteint jusqu'à +9 % de mAPS (moyenne de précision moyenne pour les petits objets) et +7 % de mARS (moyenne de rappel moyen pour les petits objets) par rapport aux lignes de base.
• Récupération d'Inférence : Le composant de Seuillage de Confiance Sensible à la Profondeur (DCT) a atteint des taux de récupération élevés, avec des détections vraies récupérées selon un ratio de 95:1 contre les fausses détections dans des configurations spécifiques. Sur tous les jeux de données et architectures, DCT a récupéré 6 041 détections vraies supplémentaires avec seulement 184 fausses détections supplémentaires sur les données de validation.
• Généralisation : Les relations de seuil de profondeur apprises ont été transférées efficacement aux données d'inférence non vues (split 90 %), récupérant 22 042 détections vraies supplémentaires avec un ratio favorable de 9:1 de récupérations vraies sur fausses.
• Comparaison aux Lignes de Base : Les méthodes d'intégration architecturale (par exemple, fusion de caractéristiques, apprentissage multitâche) ont mal performé ou ont échoué à converger, tandis que les interventions de niveau perte et de post-traitement de DepthPrior ont systématiquement surpassé la ligne de base et les stratégies simples de pondération proportionnelle à la profondeur.

Signification

Le papier affirme que DepthPrior représente une avancée significative en traitant la profondeur comme un a priori directeur plutôt que comme une caractéristique fusionnée. Cette approche évite le déséquilibre de modalité et la surcharge de calcul associés aux architectures multimodales. En s'attaquant à la cause profonde de la dégradation des performances — l'hétéroscédasticité induite par la profondeur dans l'entraînement et le mauvais étalonnage de la confiance lors de l'inférence — le cadre améliore la détection d'objets lointains pour les applications critiques de sécurité sans nécessiter de capteurs supplémentaires, de changements architecturaux ou de coûts de performance. Ce travail établit que les a priori géométriques peuvent être exploités efficacement via des ajustements au niveau de la supervision et un post-traitement adaptatif pour améliorer la robustesse des détecteurs d'objets standards.