.png){kind=icon}
返回
Tiny object detection with single point supervision
.png){kind=icon}
OA
AI
DOI：10.1016/j.isprsjprs.2025.05.006.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
微小物体由于其有限的空間分辨率，通常类似于点状分布。因此，使用点级监督的边界框预测作为一种自然且经济高效的替代方案，应运于传统框级监督。然而，微小物体的小尺寸和缺乏显著特征使得点标注容易产生噪声，对模型鲁棒性构成显著挑战。为解决这些挑战，我们提出Point Teacher——首个用于航空图像中鲁棒微小物体检测的端到端点监督方法。为处理点标注中因尺度模糊和位置偏移导致的标签噪声，Point Teacher采用教师-学生架构，并将学习过程解耦为两阶段的去噪过程。在该框架中，教师网络逐步对源自噪声点标注的伪框进行去噪，指导学生网络的学习。具体而言，在第一阶段，图像区域的随机掩码促进回归学习，使教师网络能将噪声点标注转化为粗略伪框。在第二阶段，这些粗略伪框通过动态多实例学习进行优化，该方法能从粗略伪框周围的动态构建提议包中自适应选择最可靠的实例。在三个微小物体数据集（即AI-TOD-v2、SODA-A和TinyPerson）和一个多尺度物体数据集DOTA-v2上的广泛实验验证了所提方法的有效性及其对点位置偏移的鲁棒性。值得注意的是，仅依赖点监督，我们的Point Teacher已展现出与框监督学习方法相当的性能。代码可在https://github.com/ZhuHaoranEIS/Point-Teacher获取。
期刊
IF:
12.2
论文数:
4.4K
被引数:
3.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏Spatial Self-Distillation for Object Detection with Inaccurate Bounding Boxes基于不准确边界框的目标检测的空间自蒸馏OAAI
OAAI分享收藏Point2RBox: Combine Knowledge from Synthetic Visual Patterns for End-to-End Oriented Object Detection with Single Point SupervisionPoint2RBox: 将合成视觉模式的知识与单点监督相结合，用于面向端到端的对象检测
PREAI
分享收藏
查看更多内容