Miglioramento del Rilevamento di Oggetti con Informazioni Privilegiate: Un Approccio Modello-Agnosto di Tipo Teacher-Student
Enhancing Object Detection with Privileged Information: A Model-Agnostic Teacher-Student Approach
January 5, 2026
Autori: Matthias Bartolo, Dylan Seychell, Gabriel Hili, Matthew Montebello, Carl James Debono, Saviour Formosa, Konstantinos Makantasis
cs.AI
Abstract
Questo studio indaga l'integrazione del paradigma di Apprendimento con Informazioni Privilegiate (LUPI) nella rilevazione di oggetti per sfruttare informazioni granulari e descrittive disponibili durante l'addestramento ma non durante l'inferenza. Introduciamo una metodologia generale, indipendente dal modello, per iniettare informazioni privilegiate – come maschere di bounding box, mappe di salienza e suggerimenti di profondità – all'interno di rilevatori di oggetti basati sul deep learning attraverso un'architettura teacher-student. Gli esperimenti sono condotti su cinque modelli all'avanguardia per la rilevazione di oggetti e su molteplici benchmark pubblici, inclusi dataset per la rilevazione di rifiuti da UAV e Pascal VOC 2012, per valutarne l'impatto su accuratezza, generalizzazione ed efficienza computazionale. I nostri risultati dimostrano che i modelli studente addestrati con LUPI superano costantemente le loro controparti baseline, ottenendo miglioramenti significativi nell'accuratezza di rilevazione senza aumentare la complessità inferenziale o la dimensione del modello. I miglioramenti delle prestazioni sono particolarmente marcati per oggetti di medie e grandi dimensioni, mentre studi di ablazione rivelano che una ponderazione intermedia della guida del teacher bilancia ottimalmente l'apprendimento da input privilegiati e standard. I risultati confermano che il framework LUPI fornisce una strategia efficace e pratica per far avanzare i sistemi di rilevazione oggetti sia in contesti con risorse limitate che in scenari reali.
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.