基于点标注的弱监督目标检测方法研究

摘要

        在计算机视觉领域，目标检测需要大量精准标注数据，但人工标注成本高昂。弱监督目标检测通过低成本标注训练模型，成为近年研究热点。本文提出一种基于点标注的弱监督目标检测算法，仅需在图像中物体中心点标注，即可高效定位和分类目标。通过构建空间关系、语义关联和实例计数三大模块，算法显著提升了检测精度，为低成本视觉任务提供了新方案。

一、研究背景

        传统目标检测依赖人工标注的边界框，例如标注一张包含汽车的图片需画出汽车轮廓，耗时费力。弱监督方法使用图像级标签（如 “图片中有汽车”）降低成本，但存在三大难题：

1. 定位不准：模型可能只识别汽车轮胎等局部特征，而非完整汽车；
2. 语义混淆：多物体场景中漏检部分类别（如同时存在汽车和行人时漏检行人）；
3. 实例模糊：无法区分同一类别多个物体（如停车场中的多辆汽车）。

        点标注是一种折中方案：只需在物体中心打一个点，提供位置、类别和数量信息。例如，在医疗图像中，医生只需在肿瘤中心标注点，即可训练模型检测肿瘤。

二、算法设计