Dense Center-Direction Regression for Object Counting and Localization with Point Supervision

目标计数和定位问题通常使用点监督学习来解决，这允许使用较少的点注释，减少劳动强度。然而，基于点注释的学习面临着已注释和未注释像素集之间高度不平衡的挑战，通常采用点注释的高斯平滑和焦点损失进行处理。然而，这些方法仍然只关注点注释附近的像素，并仅间接利用其余数据。在本研究中，我们提出了一种新的点监督学习方法，称为CeDiRNet，它使用指向最近物体中心的方向的密集回归，即中心方向。这为每个中心点提供了更多的支持，因为许多周围像素都指向物体中心。我们提出了一种中心方向的公式，允许将问题分解为特定领域的中心方向密集回归和基于小型、轻量级和领域无关的定位网络的最终定位任务，该网络可以使用完全独立于目标领域的合成数据进行训练。我们在六个不同的目标计数和定位数据集上展示了所提出方法的性能，并表明其优于现有的最先进方法。该代码可在GitHub上访问，网址为https://github.com/vicoslab/CeDiRNet.git。

论文旨在解决点监督学习中的目标计数和定位问题，提出了一种名为CeDiRNet的新方法。

CeDiRNet使用密集回归来预测指向最近目标中心的方向，从而提供更多的支持。此外，该方法将问题分解为领域特定的密集回归和基于小型轻量级本地化网络的最终定位任务。

CeDiRNet在6个不同的目标计数和定位数据集上进行了实验，表现优于现有的最先进方法。此外，该方法可与合成数据一起使用，且开源代码可在GitHub上获得。

最近的相关研究包括：'PointRend: Image Segmentation as Rendering'、'PointConv: Deep Convolutional Networks on 3D Point Clouds'和'Learning to Learn from Noisy Labeled Data'等。