.png){kind=icon}
返回
Semantic-decoupled spatial partition guided point-supervised oriented object detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2026.114079.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
鉴于其降低标注成本的能力，基于单点标注的弱监督学习已成为目标方向检测的研究重点。与经典的教师-学生范式相比，简单模型范式（如PointOBB-v2）能够在保证强性能的同时显著进一步降低训练所需资源。后者在低成本训练方面具有更大潜力，但此类方法仍面临样本分配不足和伪标签质量差等挑战。本文提出了一种训练高效的框架SSP，该框架融合了规则驱动的先验注入和数据驱动的标签净化。具体而言，SSP引入了两种设计：（1）基于像素级空间划分的样本分配，通过紧凑地估计目标尺度上下界，并借助像素图的空间划分挖掘高质量正样本和难负样本；（2）基于语义空间划分的框提取，从受语义图调制的空间划分中提取实例，并将其转换为伪框以监督检测器。在DOTA-v1.0及其他数据集上的实验证明了SSP的优越性：相较于基线模型，其mAP提升6.73%，同时仅需2小时训练时间和6 GB GPU显存。此外，当SSP与更强检测器集成时，mAP可达50.81%。代码地址：https://github.com/antxinyuan/ssp。
Keyword:
Object detection
Weakly-supervised learning
