任务:point-based object localization (POL)
Motivation:具有相同语义信息的点具有不同的标签。而其他方法预先定义的关键点可能是不准确的。因此本文提出来基于粗糙点定位的模式,概述如下:
1)采用粗略的点标注策略,它允许标注任何点 一个东西。
2)提出了粗点细化(CPR)算法,将初始化的带注释粗点细化到训练集中的语义中心。
3)使用细化点而不是注释点作为监督来训练定位器
所提出的 CPR 是第一次尝试从算法而不是注释的角度来缓解语义差异。 具体来说,CPR 通过多实例学习 (MIL) [9] 找到标注点周围的语义点,然后对语义点进行加权平均得到语义中心,该语义中心具有更小的语义方差和更高的用词错误容忍度
Method:Coarse Point Refinement
1.Point Sampling
Point Bag Construction:找点a;以a为中心,半径为R。r<R, 第r个圆上采样r*8个点。r个圆周上所采样的所有点为a的bag集合。
Negative Point Sampling:整张图-以a为中心R为半径上的所有点=为阴性点
2.CPRNet Training
主loss为MIL
因为缺乏明确的正负样本,所以在MIL loss的基础上,引入了annotation loss和negative loss
先利用这三个loss训练CPRNet,得到训练好的CPRNet
3.Point Refinement
得到新的语义点替换a