Point2RBox-v2：基于实例间空间布局重思点监督定向目标检测
计算机视觉与模式识别
2025-02-10 v2 人工智能
摘要
随着对定向目标检测（OOD）需求的快速增长，近期涉及利用点标注学习 OOD 的弱监督检测器研究获得了极大关注。本文基于实例间的布局重新思考这一具有挑战性的任务设定，并提出 Point2RBox-v2。其核心包含三个原则：1) 高斯重叠损失。它将目标视为二维高斯分布，并通过最小化它们之间的重叠来为每个实例学习一个上界。2) Voronoi 分水岭损失。它通过在 Voronoi 剖分上进行分水岭变换，为每个实例学习一个下界。3) 一致性损失。它学习输入图像及其增强视图对应的两个输出集之间的尺寸/旋转变异。辅以一些设计的技术，例如边缘损失和复制粘贴，检测器性能得到进一步增强。据我们所知，Point2RBox-v2 是首个探索实例间空间布局以学习点监督 OOD 的方法。我们的解决方案简洁且轻量，但有望提供具有竞争力的性能，尤其是在密集排列的场景中：在 DOTA/HRSC/FAIR1M 数据集上分别达到 62.61%/86.15%/34.71%。代码可在 https://github.com/VisionXLab/point2rbox-v2 获取。
引用
@article{arxiv.2502.04268,
title = {Point2RBox-v2: Rethinking Point-supervised Oriented Object Detection with Spatial Layout Among Instances},
author = {Yi Yu and Botao Ren and Peiyuan Zhang and Mingxin Liu and Junwei Luo and Shaofeng Zhang and Feipeng Da and Junchi Yan and Xue Yang},
journal= {arXiv preprint arXiv:2502.04268},
year = {2025}
}
备注
11 pages, 5 figures, 10 tables