.png){kind=icon}
返回
P2Object: Single Point Supervised Object Detection and Instance Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-025-02441-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于单点监督的目标识别近期受到了越来越多的关注。然而，其性能与全监督算法相比仍存在巨大差距。先前的工作在图像中离线生成类无关提议，然后将混合候选视为单个包，给多实例学习（MIL）带来了巨大负担。在本文中，我们介绍了Point-to-Box Network（P2BNet），它通过类似锚点的方式生成提议，并在粗到精的范式中优化提议，构建平衡的实例级提议包。通过进一步研究，我们发现，无论是图像级还是实例级的提议包，都是建立在离散框采样的基础上。这导致伪框估计陷入次优解，进而引发目标边界的截断或背景的过度包含。因此，我们进行了离散到连续优化的系列探索，由此产生了P2BNet++和Point-to-Mask Network（P2MNet）。P2BNet++通过更好地利用空间线索，采用了一种近似连续的提议采样策略。P2MNet进一步引入低级图像信息以辅助像素预测，并设计了一种边界自预测机制以缓解估计框的限制。得益于连续的对象感知像素级感知，P2MNet能够生成更精确的边界框，并能泛化到分割任务中。在COCO、VOC、SBD和Cityscapes数据集上，我们的方法在平均精度均值方面显著超越了先前的方法，显示出在缩小与全监督任务性能差距方面的巨大潜力。
Keyword:
Object detection
Instance segmentation
Single point annotation
Point supervision
期刊
IF:
9.3
论文数:
4.0K
被引数:
2.8W
机构
暂无机构信息
引用论文
.png){kind=icon}
查看更多内容