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：
- 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；
- 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）；
- 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
（一）整体框架
算法包含三大核心模块，分别解决三大难题：
- 空间图模块（SGB）：利用标注点周围的空间关系，推断完整目标范围；
- 语义分支（MSB）：分析类别间关联（如 “汽车” 常与 “道路” 同时出现），提升多标签检测能力；
- 实例计数模块（CIB）：根据标注点数量区分多个物体（如 3 个标注点对应 3 辆汽车）。
（二）关键技术
1. 空间图模块：从点到完整目标
- 原理：标注点通常位于物体中心，其周围区域大概率属于同一物体。例如，在 “猫” 的标注点附近，算法通过计算候选框的重叠度（IoU），将重叠度高于 0.8 的区域视为相关区域，构建 “空间图” 关联这些区域的特征。
- 效果：避免模型仅关注猫的头部，而是通过整合头部、身体、尾巴的特征，检测完整的猫。
2. 语义分支：挖掘类别关联
- 方法：利用词向量分析类别间的语义共现概率。例如，“鸟” 和 “天空” 在文本中常一起出现，算法在检测 “鸟” 时会增强对 “天空” 区域的关注，减少背景干扰。
- 实现：通过自然语言处理模型（如 Word2Vec）生成类别词向量，计算 “鸟” 与 “天空” 的余弦相似度，融合相关类别特征。
3. 实例计数模块：区分多物体
- 策略：若图像中某类别有 N 个标注点，则视为 N 个实例。例如，停车场图像中 3 个 “汽车” 标注点，算法会筛选 3 个高得分候选框，分别对应 3 辆汽车，避免将多辆车误检为 1 辆。
三、实验验证
（一）数据集与标注
- 模拟数据集：使用合成图像数据集 “CarPark”（包含 1000 张停车场图片），每张图片人工标注汽车中心点，部分图片包含多辆汽车。
- 对比方法：
- 基线模型：仅使用图像级标签的弱监督算法（如 WSDDN）；
- 全监督模型：使用边界框标注的 Faster R-CNN。
（二）核心结果
| 方法 | 定位准确率（%） | 多车检测召回率（%） | 类别混淆率（%） |
|---|---|---|---|
| 基线模型 | 65.2 | 58.3 | 22.1 |
| 本文算法 | 81.5 | 89.7 | 10.4 |
| 全监督模型 | 89.2 | 92.5 | 5.6 |
- 定位准确率：本文算法比基线模型提升 16.3%，接近全监督模型水平，证明点标注有效弥补了位置信息缺失。
- 多车检测：基线模型常将多辆车误检为 1 辆（召回率 58.3%），本文算法通过实例计数模块将召回率提升至 89.7%。
- 类别混淆：语义分支显著降低了 “汽车” 与 “卡车” 等相似类别的混淆率（从 22.1% 降至 10.4%）。
四、应用场景
- 自动驾驶：标注员只需在车载摄像头图像中标注行人、车辆中心点，算法可实时检测完整目标，降低标注成本；
- 工业检测：在机械零件图像中标注缺陷点，算法可定位完整缺陷区域，适用于螺丝缺失、表面裂纹等检测；
- 卫星遥感：在遥感图像中标注建筑中心点，算法可检测完整建筑轮廓，提升城市规划中的用地统计效率。
五、结论与展望
本文提出的点标注弱监督算法，通过空间、语义、实例三层关系建模，有效解决了传统弱监督检测的核心难题。实验表明，其性能接近全监督模型，但标注成本大幅降低。未来可进一步优化模型轻量化，拓展至医疗显微图像等更复杂场景，推动低成本视觉技术的实际应用。
关键词：弱监督学习；目标检测；点标注；空间关系；语义关联