CPR++：基于单粗点监督的目标定位

基于点的目标定位（POL）旨在以低成本数据标注实现高性能目标感知，已引起越来越多的关注。然而，由于标注点的不一致性，点标注模式不可避免地引入了语义方差。现有的 POL 方法严重依赖难以定义和应用的严格标注规则来处理此问题。在本研究中，我们提出了粗点精炼（CPR），据我们所知，这是首次尝试从算法角度缓解语义方差。CPR 通过在邻域区域中选择一个语义中心点来替换初始标注点，从而减少语义方差。此外，我们设计了一个采样区域估计模块，为每个目标动态计算采样区域，并使用级联结构实现端到端优化。我们进一步将方差正则化集成到该结构中，以集中预测分数，从而得到 CPR++。我们观察到，CPR++ 可以获取尺度信息并进一步减少全局区域中的语义方差，从而保证高性能的目标定位。在四个具有挑战性的数据集上的大量实验验证了 CPR 和 CPR++ 的有效性。我们希望我们的工作能够激发更多关于设计算法而非标注规则来解决 POL 中语义方差问题的研究。数据集和代码将在 github.com/ucas-vg/PointTinyBenchmark 公开。