基于单点监督的微型目标检测
计算机视觉与模式识别
2024-12-10 v1
摘要
微型目标由于其有限的空间分辨率，常常呈现出类似点分布的特征。因此，使用点级监督进行边界框预测成为一种自然且高成本效益的替代方案。然而，微型目标的尺寸较小且缺乏显著特征，使得点注释容易受到噪声的影响，这在模型鲁棒性方面构成了重大挑战。为应对这些挑战，我们提出了 Point Teacher——首个用于航空图像中稳健微型目标检测的端到端点监督方法。为处理尺度模糊和点注释位置偏移导致的标签噪声，Point Teacher 采用教师-学生架构，并将学习解耦为两个阶段的去噪过程。在该框架中，教师网络逐步对源自噪声点注释的伪框进行去噪，以指导学生网络的学习。具体而言，在第一个阶段，随机屏蔽图像区域有助于回归学习，使教师将噪声点注释转换为粗糙的伪框。在第二个阶段，这些粗糙的伪框通过动态多实例学习进行细化，该方法会围绕粗糙伪框动态构建 proposal 包，并自适应地选择最可靠的实例。针对三个微型目标数据集（即 AI-TOD-v2、SODA-A 和 TinyPerson）进行了广泛实验，验证了所提出方法的有效性和鲁棒性，能够抵抗点位置偏移。值得注意的是，仅凭点监督，我们的 Point Teacher 已显示出与基于框监督学习方法相当的性能。代码和模型将公开发布。
引用
@article{arxiv.2412.05837,
title = {Tiny Object Detection with Single Point Supervision},
author = {Haoran Zhu and Chang Xu and Ruixiang Zhang and Fang Xu and Wen Yang and Haijian Zhang and Gui-Song Xia},
journal= {arXiv preprint arXiv:2412.05837},
year = {2024}
}