DP2PNet:基于扩散的点向多边形转换,用于单点监督定向对象检测
Peng Li1, Limin Zhang1, Tao Qu2
1Beijing Research Institute of Telemetry, Beijing 100076, China.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
我们介绍DP2PNet,这是一个新的扩散模型,用于使用单点监控进行面向对象检测. 这种方法可以降低注释成本,提高准确性,而无需复杂的先验.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 用于定向对象检测的旋转界限框 (RBB) 的注释是资源密集的.
- 单点监督提供了效率,但缺乏关键的尺寸和方向数据,需要复杂的模型先验.
研究的目的:
- 提出DP2PNet,为单点监督定向对象检测的第一个扩散模型框架.
- 通过减少对复杂的先验和固定的精炼阶段的依赖,克服现有方法的局限性.
主要方法:
- DP2PNet使用多级一致噪声发生器,用高斯噪声取代手动先验.
- 噪音交叉约束模块使用多实例学习来选择最佳的噪音点.
- 一个语义关键点聚合器通过图形卷积和凸的体通过聚合的噪声点形成伪RBB.
主要成果:
- DP2PNet在DOTA-v1.0上获得了53.82%的竞争性mAP50评分,在DIOR-R.上获得了53.61%的评分.
- 该框架表现出对噪声的稳定性和强大的跨数据集概括能力.
- 支持精炼阶段的动态调整,不需要再培训.
结论:
- DP2PNet为单点监督定向物体检测提供了一种有效和灵活的方法.
- 扩散模型框架显著减少了注释劳动,同时保持了高性能.
- 这种方法为具有成本效益和强大的物体检测提供了一个有希望的方向.
