单点监督检测网络

性能逼近全监督

仅用单点标注即可同时输出高质量检测框和实例掩码，性能显著超越现有弱监督方法。

Pengfei, Chen · Yu, Xuehui · Xumeng, Han · Wang, Kuiran · 李国荣 · Xie, Lingxi · 韩振军 · 焦建彬

International Journal of Computer Vision 2025

参数信息

平均精度 (AP)

47.6 %

平均精度 (AP)

85.7 %

平均精度 (AP)

68.5 %

平均精度 (AP)

42.3 %

技术优势

标注只用一个点

每个目标只需一个点标注，省去边界框或像素级标注，显著降低人工成本。

性能逼近全监督

在 COCO 等数据集上大幅超越先前弱监督方法，缩小与全监督的性能差距。

连续优化提精度

从离散框采样转为近似连续采样，并引入像素预测和边界自预测，避免边界截断和背景混入。

检测分割一网打尽

同一框架同时输出检测框和实例掩码，无需单独训练分割模型。

应用场景

• 具身智能数据标注：用单点标注快速构建大规模检测数据集，降低具身智能环境理解模型的训练成本。
• 机器人视觉感知：在机器人平台上以极低成本标注新物体，提升开放环境下的检测与分割能力。
• 工业质检：工业质检中缺陷形态多变，单点标注即可训练检测器，快速覆盖新缺陷类型。
• 无人机航拍分析：航拍图像目标密集，单点标注显著减少人工框选工作量，加速模型迭代。