映射退化遇见标签演化：基于单点监督的红外小目标检测学习
计算机视觉与模式识别
2024-10-07 v3
摘要
以全监督方式训练卷积神经网络（CNN）检测红外小目标近年来获得显著研究关注，但因需要大量逐像素标注而人力成本极高。为处理该问题，本文首次尝试以点点级监督实现红外小目标检测。有趣的是，在点标签监督的训练阶段，我们发现CNN首先学习分割目标附近的一簇像素，然后逐渐收敛以预测真值点标签。受此“映射退化”现象启发，我们提出一种名为单点监督标签演化（LESPS）的标签演化框架，通过利用CNN的中间预测逐步扩展点标签。如此，网络预测最终可逼近更新后的伪标签，并获得像素级目标掩码以端到端方式训练CNN。我们进行了充分实验与洞察性可视化以验证方法有效性。实验结果表明，配备LESPS的CNN能较好地从对应点标签恢复目标掩码，且在像素级交并比（IoU）与对象级检测概率（Pd）上分别达到其全监督性能的70%以上与95%以上。代码见 https://github.com/XinyiYing/LESPS。
引用
@article{arxiv.2304.01484,
title = {Mapping Degeneration Meets Label Evolution: Learning Infrared Small Target Detection with Single Point Supervision},
author = {Xinyi Ying and Li Liu and Yingqian Wang and Ruojing Li and Nuo Chen and Zaiping Lin and Weidong Sheng and Shilin Zhou},
journal= {arXiv preprint arXiv:2304.01484},
year = {2024}
}