基于排他性引导的半监督人群实例分割与计数掩码学习
计算机视觉与模式识别
2026-03-18 v1
摘要
半监督人群分析是热门研究领域，因为无标签数据通常丰富且获取成本低。然而，传统基于点的标注限制了性能，因为单个区域本质上存在模糊性，导致从稀疏标注中学习细粒度结构语义仍是未解之难。本文首先提出一种基于最近邻排他性圆（NNEC）约束的排他性双提示 SAM（EDP-SAM），用于生成当前数据集的掩码监督。针对密集场景中的个体分割，我们进而提出排他性引导的掩码学习（XMask），通过判别性掩码目标实现空间分离。利用高斯平滑和可微中心采样策略提高特征连续性和训练稳定性。基于 XMask，我们构建一个使用实例掩码先验作为伪标签的半监督人群计数框架，这些伪标签包含比传统点线索更丰富的形状信息。在使用 5%、10% 和 40% 标记数据的情况下，对上海Tech A、UCF-QNRF 和 JHU++ 数据集进行大量实验验证，我们的端到端模型在半监督分割和计数方面实现了最先进性能，有效在统一框架内弥合了计数与实例分割之间的差距。
引用
@article{arxiv.2603.16241,
title = {Exclusivity-Guided Mask Learning for Semi-Supervised Crowd Instance Segmentation and Counting},
author = {Jiyang Huang and Hongru Cheng and Wei Lin and Jia Wan and Antoni B. Chan},
journal= {arXiv preprint arXiv:2603.16241},
year = {2026}
}