Objektlokalisierung unter der Aufsicht von Einzelpunkt-Supervision

Die punktbasierte Objektlokalisierung (POL), die eine leistungsstarke Objekterkennung bei kostengünstiger Datenannotation anstrebt, hat zunehmende Aufmerksamkeit erhalten. Allerdings führt der Punktannotierungsmodus unweigerlich zu semantischen Variationen aufgrund der Inkonsistenz der annotierten Punkte. Bestehende POL-Methoden sind stark auf genaue Keypoint-Annotationen angewiesen, die schwer zu definieren sind. In dieser Studie schlagen wir eine POL-Methode vor, die grobe Punktannotationen verwendet und die Aufsichtssignale von genauen Schlüsselpunkten auf frei angegebene Punkte entspannt. Zu diesem Zweck schlagen wir einen Ansatz zur Verfeinerung grober Punkte (CPR) vor, der nach unserem besten Wissen der erste Versuch ist, semantische Variationen aus der Perspektive des Algorithmus zu mildern. CPR konstruiert Punktbeutel, wählt semantisch korrelierte Punkte aus und erzeugt semantische Mittelpunktpunkte durch Multiple-Instance-Learning (MIL). Auf diese Weise definiert CPR ein schwach überwachten Evolutionsverfahren, das das Training eines leistungsstarken Objektlokalisierers unter grober Punktaufsicht sicherstellt. Experimentelle Ergebnisse auf COCO, DOTA und unserem vorgeschlagenen SeaPerson-Datensatz bestätigen die Wirksamkeit des CPR-Ansatzes. Der Datensatz und der Code werden unter https://github.com/ucas-vg/PointTinyBenchmark/ verfügbar sein.