基于点监督的目标计数与定位的稠密中心-方向回归

目标计数和定位问题通常使用点监督学习进行解决，这允许使用较少耗时的点注释。然而，基于点注释的学习由于注释像素与未注释像素之间的严重不平衡，提出了挑战，常通过对点注释的高斯平滑和焦点损失来处理。然而，这些方法仍然关注点注释附近的像素，仅间接地利用其余数据。在本文中，我们提出了一种称为CeDiRNet的新方法，用于点监督学习，使用指向最近目标中心的方向的稠密回归，即中心-方向。这为来自许多指向目标中心的周围像素提供了对每个中心点的更好支持。我们提出的中心-方向表述允许该问题被分为特定领域的稠密中心-方向回归和基于小型轻量级、领域无关性局部化网络的最终定位任务，该网络可使用与目标领域完全独立的合成数据进行训练。在六个不同的数据集上演示了所提出方法的性能，表明其优于现有最先进方法。代码可在GitHub上获取：https://github.com/vicoslab/CeDiRNet.git。