Apr, 2021

点作为查询：基于点的弱监督物体检测

PDF
TL;DR我们提出了一种基于点注释的弱监督目标检测方法，并引入了 Point DETR 模型进行训练，实验结果表明该方法在 MS-COCO 数据集上使用 20% 的样本标注数据时（fully labeled data），取得了 33.3 AP 的性能，比 FCOS 强基线模型高出 2.0 AP；同时，点注释在各类 AR 指标上可提高 10 个点以上。
weakly semi-supervised object detectionpoint annotated settingpoint detrfully labeled datams-coco dataset
发现论文，激发创造
  • Point-DETR3D: 利用空间点先验与图像数据进行弱监督的 3D 物体检测

    基于点注释的半监督 3D 检测方法 Point-DETR3D 通过引入显式的位置查询初始化策略、使用交叉模态可变形 RoI 融合和点引导的自监督学习技术，充分利用点先验，并在仅有 5% 标注数据的情况下显著改进 3D 检测性能。

    Mar, 2024

  • 弱监督点集物体检测的 Group R-CNN

    本文提出了一种有效的点到框回归器 Group R-CNN 用于弱监督目标检测问题，在 MS-COCO 基准测试上实验表明，Group R-CNN 显著优于 Point DETR 等方法，可用于小批量标注数据集的物体检测。

    May, 2022

  • 基于 Lidar 点云的弱监督三维物体检测

    本文提出一种基于弱监督学习的 3D 物体检测方法，只需要少量弱标记场景和少量精确标记的物体实例来训练，而且使用该方法训练的模型可以作为 3D 物体注释器使用，并显示出提高性能的潜力。

    Jul, 2020

  • 点级监督实例分割

    提出了基于单点标注的弱监督实例分割方法，通过该方法，仅标注每个物体的随机 10 个点就能够达到 94% 至 98% 的全监督效果，比全物体标注的方法快 5 倍，同时提出了一种新的基于点标注的 PointRend 实例分割模型，称为 Implicit PointRend。

    Apr, 2021

  • 基于点云的弱监督三维物体检测

    本文提出 VS3D，一个从点云中弱监督学习的 3D 目标检测框架，其中引入了无监督的 3D proposal 模块和跨模态知识蒸馏策略，在 KITTI 数据集上取得了优异的性能。

    Jul, 2020

  • 弱监督点云变换器用于 3D 目标检测

    本文提出了一种用于 3D 物体检测的弱监督点云变换器框架，旨在降低对训练所需监督的数量，以减少对 3D 数据集进行注释的高成本，通过使用投票网络选择高质量的预设锚点，将信息提炼到学生网络和教师网络。

    Sep, 2023

  • 点级监督的语义分割

    本文提出了一种在训练期间可以节省标注成本的方法，该方法通过点级别标注和目标可能性将对象指向强监督引入到 CNN 模型的训练损失函数中，可以明显提高模型的准确性。

    Jun, 2015

  • 物件作为点

    本文提出了一种基于中心点检测的方法，该方法使用关键点估计来找到物体的中心点，并回归到所有其他物体属性，例如大小，3D 位置，方向和姿态，实现了较好的速度和精度。

    Apr, 2019

  • 使用点监督的弱监督显著物体检测

    本文采用点监督的方法提出一种新的弱监督显著性物体检测方法，并使用自适应遮罩洪水填充算法生成伪标签，和基于 Transformer 的模型进行训练，同时提出了一种 Non-Salient Suppression（NSS）方法来针对第一轮训练中生成的错误显著性标签进行优化，并应用于第二次训练中，最终在五个基准数据集上证明该方法优于其他先前的监督学习方法和完全监督的最新模型。

    Mar, 2022

  • 稀疏半 DETR: 稀疏可学习的查询用于半监督物体检测

    Sparse Semi-DETR 是一种基于 Transformer 的端到端半监督目标检测解决方案，通过引入查询精化模块和可靠伪标签过滤模块来解决 DETR-based SSOD 框架中对象查询质量不准确和重叠预测的问题，大大提高了对小型和部分遮挡对象的检测能力，并在 MS-COCO 和 Pascal VOC 目标检测基准测试中实现了显著改进。

    Apr, 2024