论文阅读：CVPR 2022 Object Localization under Single Coarse Point Supervision

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