SSP点监督检测框架

训练省时省显存

用空间分区同时改进样本分配与伪标签质量，在点监督定向检测中以极低训练成本实现显著性能提升。

Xinyuan, Liu · Hang, Xu · Zirui, Chen · 马宜科 · Chenggang, Yan · 代锋

Pattern Recognition 2026

参数信息

平均精度提升

+6.73 %

训练时间

2 h

GPU显存占用

6 GB

平均精度

50.81 %

技术优势

伪标签更干净

语义调制空间分区先分割实例再生成伪框，减少噪声标签对检测器的误导。

训练成本极低

仅需2小时和6 GB显存即可完成训练，让弱监督学习不再依赖大量计算资源。

性能显著提升

在DOTA-v1.0上比基线提高6.73% mAP，超过了现有简单模型范式。

应用场景

• 低标注成本目标检测：用单点标注即可训练，省去精细框注成本。
• 遥感图像解译：在DOTA-v1.0上验证，适配遥感目标定向检测。
• 工业质检：训练开销低，可快速部署到产线质检。
• 边缘端实时检测：仅需6 GB显存，适合边缘设备端推理。