基于流的噪声鲁棒微型目标定位
计算机视觉与模式识别
2026-01-05 v1 人工智能
摘要
尽管通用目标检测已取得显著进展，但对于微型目标仍存在与常规尺寸目标相比的性能差距。我们表明，微型目标对注释噪声高度敏感，其中优化严格定位目标风险导致噪声过拟合。为此，我们提出基于归一化流的噪声鲁棒微型目标定位框架（TOLF）。该方法利用归一化流实现灵活的误差建模和不确定性引导的优化。我们的方法通过基于流的误差建模捕获复杂的非高斯预测分布，从而实现在噪声监督下的鲁棒学习。进一步，设计不确定性感知的梯度调制机制以抑制来自高不确定性、易受噪声影响的样本的学习，从而缓解过拟合并稳定训练。广泛的实验在三个数据集上验证了该方法的有效性。尤其，TOLF 在 AI-TOD 数据集上将 DINO 基线提升了 1.2% 的 AP。
引用
@article{arxiv.2601.00617,
title = {Noise-Robust Tiny Object Localization with Flows},
author = {Huixin Sun and Linlin Yang and Ronyu Chen and Kerui Gu and Baochang Zhang and Angela Yao and Xianbin Cao},
journal= {arXiv preprint arXiv:2601.00617},
year = {2026}
}
备注
11 pages, 5 figures