Amélioration de la détection d'objets par information privilégiée : une approche modèle-agnostique de type maître-élève
Enhancing Object Detection with Privileged Information: A Model-Agnostic Teacher-Student Approach
January 5, 2026
papers.authors: Matthias Bartolo, Dylan Seychell, Gabriel Hili, Matthew Montebello, Carl James Debono, Saviour Formosa, Konstantinos Makantasis
cs.AI
papers.abstract
Ce travail étudie l'intégration du paradigme d'Apprentissage par Information Privilégiée (LUPI) dans la détection d'objets afin d'exploiter des informations fines et descriptives disponibles pendant l'entraînement mais absentes lors de l'inférence. Nous proposons une méthodologie générale, indépendante du modèle, pour injecter des informations privilégiées - telles que des masques de boîtes englobantes, des cartes de saillance et des indices de profondeur - dans des détecteurs d'objents basés sur l'apprentissage profond via une architecture de type maître-élève. Des expériences sont menées sur cinq modèles de détection d'objets de pointe et plusieurs benchmarks publics, incluant des jeux de données de détection de déchets basés sur des drones et Pascal VOC 2012, pour évaluer l'impact sur la précision, la généralisation et l'efficacité computationnelle. Nos résultats démontrent que les modèles élèves entraînés avec LUPI surpassent systématiquement leurs homologues de référence, obtenant des gains significatifs en précision de détection sans augmentation de la complexité d'inférence ou de la taille du modèle. Les améliorations de performance sont particulièrement marquées pour les objets de taille moyenne et grande, tandis que des études d'ablation révèlent qu'une pondération intermédiaire du guidage par le modèle maître optimise l'équilibre entre l'apprentissage à partir des entrées privilégiées et standard. Ces résultats confirment que le cadre LUPI offre une stratégie efficace et pratique pour faire progresser les systèmes de détection d'objets dans des contextes à ressources limitées et en conditions réelles.
English
This paper investigates the integration of the Learning Using Privileged Information (LUPI) paradigm in object detection to exploit fine-grained, descriptive information available during training but not at inference. We introduce a general, model-agnostic methodology for injecting privileged information-such as bounding box masks, saliency maps, and depth cues-into deep learning-based object detectors through a teacher-student architecture. Experiments are conducted across five state-of-the-art object detection models and multiple public benchmarks, including UAV-based litter detection datasets and Pascal VOC 2012, to assess the impact on accuracy, generalization, and computational efficiency. Our results demonstrate that LUPI-trained students consistently outperform their baseline counterparts, achieving significant boosts in detection accuracy with no increase in inference complexity or model size. Performance improvements are especially marked for medium and large objects, while ablation studies reveal that intermediate weighting of teacher guidance optimally balances learning from privileged and standard inputs. The findings affirm that the LUPI framework provides an effective and practical strategy for advancing object detection systems in both resource-constrained and real-world settings.