标注为什么要那么多条条框框？研究人员随便标！
最新被CVPR 2022收录的一篇论文中，提供了一种粗点优化的新思路，将多类别多尺度定位问题从精确的点标注泛化到任意的粗点标注，第一次从算法角度减轻语义差异。
图1：CPR的可视化，根据标注点（绿）采样点，通过实例级别MIL选出语义点（红），并平均权重以得到语义中心点（黄）作为最终改善点。
基于点的目标定位（Point-based object localization，POL）任务，在低成本数据标注下追求高性能的物体感知，越来越受到关注。然而，点标注模式不可避免地会因为标注点的不一致而引入语义方差。现有的POL方法严重依赖于难以定义的精准关键点标注。
本文提出了一种使用粗点标注的 POL 方法，将监督信息从准确的关键点放松到自由标注的点。并为此提出了一种粗点细化（CPR）方法，这是第一个用算法缓解语义方差的方法。
具体来说，CPR构造点包，通过多实例学习（MIL）选出与语义相关点，并产生语义中心点。通过这种方式，CPR 定义了一个弱监督的自修正流程，实现在粗点监督下训练高性能目标定位器。COCO、DOTA和研究人员提出的SeaPerson数据集上的实验结果验证了CPR方法的有效性。
Object Localization under Single Coarse Point Supervision
论文：https://arxiv.org/abs/2203.09338
代码：https://github.com/ucas-vg/PointTinyBenchmark
TinyPerson V2（SeaPerson）数据集：vision.ucas.ac.cn/sources（TinyPerson的扩展版本，约70万个小目标样本）
1、简介
很多实际应用场景里，研究人员只需获取精确的物体位置，而不关注物体的大小（例如，机械臂瞄准一个点来拾取目标）。过细的标注（例如边界框、Mask）是多余的、不可取的，所以出现了点监督目标定位 (POL)任务。正是点的标注简单又省时，越来越受到关注。这类任务用点级别的标注进行训练，并预测原图像中一个2D坐标来表示物体位置。
图2：点标注带来的语义歧义问题
通过深入分析POL任务，研究人员发现将物体表示为一个像素点时，必然存在多个候选的像素点，这就是POL语义歧义（语义方差）的问题：对于某个物体，具有不同语义信息的区域都可能被标记为正；对整个数据集，相似语义的区域就可能被标记地不同。以图2为例，都属于鸟类的两个物体，一个标记在颈部，另一个标记在尾部。在网络的训练过程中，一幅图像将颈部区域视为正例，而另一幅图像（标注尾部的图像）视为负例。这种现象就是语义歧义，这导致训练出来的模型性能差。
图3：基于关键点标注的难点。
目前的POL工作大多通过制定严格的标注规则，限制标注人员只在预先规定的区域内标注来解决语义方差问题，这存在以下挑战（图3）：（1）关键点难以定义，特别是那些定义广泛、没有特定形状的类别；（2）由于物体的不同姿态和不同的拍摄视角，图像中可能不存在关键点；（3）当物体的尺度范围变化很大时，难以给出合适的关键点。这极大增加了标注难度和人力负担。也正是这些难题限制了POL任务在多类别、多尺度数据集（如 COCO、DOTA）上的探索。
本文提出基于粗点的多类别、多尺度定位（coarse point-based localization，CPL）范式，可训练出更具普遍性的POL定位器（图4）。首先，制作数据集用粗点标注策略，物体内的所有像素点都可标注。然后，用语义方差优化（Coarse Point Refinement，CPR）算法，将初始粗点优化到训练集的语义中心。最后，用语义中心点代替标注点作为监督训练定位器。语义中心点具有更小的语义方差和更高的预测误差容忍度。
研究人员深入研究POL任务，设计出基于粗点的定位（CPL）新范式，将POL任务扩展到多类和多尺度；提出粗点优化（CPR）方法，从算法的角度而不是严格的标注规则来减轻语义差异；MSCOCO、DOTA实验结果表明，CPR对CPL有效，并获得了与中心点（近似关键点）POL相当的性能，且性能超过baseline 10多个点；本文还开源了 SeaPerson新数据集。具有超过 600,000 个实例，可用于弱小人检测。
2、方法
单粗点标注的语义方差优化方法（Coarse Point Refinement，CPR）可看作一种预处理过程。将训练集上的数据标注转换为更具传导性的新标注，以供后续任务使用。CPR的主要目的是寻找一个语义方差更小、预测误差容忍度更高的语义点，并用该语义点代替初始标注点。如图5所示，CPR共有三个关键步骤：1、点采样：在每个初始标注点的邻域内进行点的采样。2、CPRNet训练：训练一个分类网络（CPRNet）对采样点是否与初始标注点属于同一类别进行分类。3、粗点的修正：根据训练好的CPRNet和约束条件，选择与初始标注点语义信息相似的点作为其语义点集，然后对点集里的点进行加权求和，得到标注点对应的语义中心点。
图 4 粗点标注的修正优化方法框架图。
2.1 采样点
图5 粗点标注的修正方法图。（绿点为标注点，红点为相似语义点，黄点为语义中心点）
2.2 CPRNet的训练
2.3 粗点的修正
3、实验
3.1 方法对比
多类别P2PNet。研究人员使用P2PNet去训练点标注，并且预测出每个目标，作为一个较高的基准要求。有几种显然可以提高结果的方法：1，P2PNet的骨干网络在本文中是Resnet50而不是VGG16。2，使用focal loss而不是Cross-Entropy loss作为损失函数。3，Smooth-l1函数而不是L2 损失函数作为回归。4，在匹配标签时，使用top-k正例匹配，而不是一对一匹配。使用预测点使用NMS以获得最终点得分。P2PNet的结果在表1的第二行，相较于第一行结果提升了很多。
CPR。相比于自优化，CPR（表一第五行）策略使得P2PNet表现更好，表明CPR能更高效的处理语义歧义问题。为了量化语义差别，相对语义差别（RSV），定义为：
图6 左上和右上图为相对位置分布（自优化与CPR）中间的表格为CPR训练期间RSV值的变化。下面四个图给出了训练过程中，优化后的点的位置变化。
结果分析。基于伪框的定位器和训练一个分类器（视标注点附近点皆为正例，其它点为负例）几乎等价。一般的分类器通过IoU判断每个类别，和边界框的大小信息有很大关联。然而，精确的边界框无法从点标注中获取，使得伪框标注的方法表现较差。P2PNet使用匈牙利算法去实现一个更好的点对点的分类指定，获得了更好的结果。然而，P2PNet对于数据集的标注点的语义信息非常敏感。点优化策略，有效的减少了语义歧义，结果更好。
表1：在COCO、DOTA和SeaPerson数据集验证了方法的有效性，单位：mAP
3.2 消融实验
为了更好的分析CPR的有效性和鲁棒性，研究人员进行了大量的实验。
表2：CPRNet中训练损失的有效性：MIL loss, annotation loss, negative loss。Pos loss用作对比。（1代表使用该损失），单位：mAP
CPRNet的训练损失。消融实验的结果展示在表2。CPRNet的最优设置在第6行，达到55.46mAP。1.MIL loss。如果不使用该损失，结果掉了3.64个百分点。如果使用pos loss代替，结果掉了12.74个百分点（第五行）。表明MIL 可以自动地为候选点分类所归属的物体。2.Annotation loss。缺少该损失，结果跌了1.22个百分点。该损失使得训练朝着一个给定良好的监督训练而不跑偏。3.Negative loss。使用该损失（第2行）结果提升了16.01个百分点。表明MIL损失不足以压制负例损失，额外的背景类有利于压制负例。
