Point2RBox-v3：通过集成伪标签精炼与利用实现从点注释自主引导
计算机视觉与模式识别
2026-02-03 v3 人工智能
摘要
受有针对性目标检测(Oriented Object Detection, OOD)日益增长的需求驱动，受点注释在弱监督框架下进行学习已成为一种有前景的替代方案，以避免昂贵且耗时的手动标注。在本文中，我们讨论了现有点监督方法的两个不足：低效的伪标签利用和伪标签质量较差。因此，我们提出 Point2RBox-v3。其核心是两个原则：1）渐进标签分配(PLA)。它在训练过程的不同阶段动态估计实例大小，以一种粗糙而又聪明的方式，使得可以使用标签分配方法。2）先验引导动态掩码损失(PGDM-Loss)。这是一种对 Point2RBox-v2 的 Voronoi watershed 损失的改进，克服了 watershed 在稀疏场景中的性能差和 SAM 在密集场景中的性能差的局限。据我们了解，Point2RBox-v3 是首个采用动态伪标签进行标签分配的模型，并且创造性地将 SAM 模型的优势与 watershed 算法相结合，实现了稀疏和密集场景中的卓越性能。我们的解决方案在大规模目标大小变化或稀疏目标出现的场景中表现出竞争力：在 DOTA-v1.0/DOTA-v1.5/DOTA-v2.0/DIOR/STAR/RSAR 上分别取得 66.09%/56.86%/41.28%/46.40%/19.60%/45.96% 的成绩。
引用
@article{arxiv.2509.26281,
title = {Point2RBox-v3: Self-Bootstrapping from Point Annotations via Integrated Pseudo-Label Refinement and Utilization},
author = {Teng Zhang and Ziqian Fan and Mingxin Liu and Xin Zhang and Xudong Lu and Wentong Li and Yue Zhou and Yi Yu and Xiang Li and Junchi Yan and Xue Yang},
journal= {arXiv preprint arXiv:2509.26281},
year = {2026}
}
备注
19pages, 5figures, 6tables