单粗标注点监督下的目标定位
计算机视觉与模式识别
2022-03-18 v1
摘要
基于点的目标定位（POL）以低成本数据标注追求高性能目标感知，已引起越来越多的关注。然而，点标注模式因标注点不一致而不可避免地引入语义方差。现有 POL 方法严重依赖难以定义的精确关键点标注。在本研究中，我们提出一种使用粗点标注的 POL 方法，将监督信号从精确关键点放宽至自由标注点。为此，我们提出一种粗点细化（CPR）方法，据我们所知这是从算法角度缓解语义方差的首次尝试。CPR 构建点包，选择语义相关点，并通过多示例学习（MIL）生成语义中心点。以此方式，CPR 定义了一种弱监督演化过程，确保在粗点监督下训练高性能目标定位器。在 COCO、DOTA 和我们提出的 SeaPerson 数据集上的实验结果验证了 CPR 方法的有效性。数据集与代码将发布于 https://github.com/ucas-vg/PointTinyBenchmark/。
引用
@article{arxiv.2203.09338,
title = {Object Localization under Single Coarse Point Supervision},
author = {Xuehui Yu and Pengfei Chen and Di Wu and Najmul Hassan and Guorong Li and Junchi Yan and Humphrey Shi and Qixiang Ye and Zhenjun Han},
journal= {arXiv preprint arXiv:2203.09338},
year = {2022}
}
备注
accepted by CVPR2022