Wholly-WOOD：全方位利用多样化质量标签进行弱监督 oriented 对象检测
计算机视觉与模式识别
2025-02-14 v1 人工智能
摘要
准确估计带有紧凑旋转边界框 (RBoxes) 的视觉对象的方向已成为热门需求，这挑战了仅使用水平边界框 (HBoxes) 的现有目标检测范式。为赋予检测器方向感知性，已在高成本旋转标注下引入监督回归/分类模块。与此同时，一些现有带定向对象的数据集已标注为水平框甚至单个点。利用较弱的单个点和水平标注训练 oriented 检测器 (OOD) 成为令人期待却尚未解决的难题。我们开发了 Wholly-WOOD，一个弱监督 OOD 框架，能够以统一方式充分利用各种标注形式（点、HBoxes、RBoxes 及其组合）。仅使用 HBox 进行训练，Wholly-WOOD 在遥感等领域的性能可与 RBox 训练的模型相当，显著减少了对定向对象进行耗时的标注工作。源码已发布于 https://github.com/VisionXLab/whollywood（基于 PyTorch）和 https://github.com/VisionXLab/whollywood-jittor（基于 Jittor）。
引用
@article{arxiv.2502.09471,
title = {Wholly-WOOD: Wholly Leveraging Diversified-quality Labels for Weakly-supervised Oriented Object Detection},
author = {Yi Yu and Xue Yang and Yansheng Li and Zhenjun Han and Feipeng Da and Junchi Yan},
journal= {arXiv preprint arXiv:2502.09471},
year = {2025}
}
备注
18 pages, 9 figures, 9 tables, accepted by TPAMI