En el campo de la detección de objetos orientados, el aprendizaje a partir de anotaciones de punto bajo un marco débilmente supervisado ha surgido como una alternativa prometedora al costoso y laborioso etiquetado manual. Sin embargo, existen deficiencias en los métodos que utilizan estas anotaciones de punto, como la utilización ineficiente y la baja calidad de las pseudoetiquetas.
Para abordar estas deficiencias, se presenta Point2RBox-v3, un enfoque innovador que integra dos principios clave. En primer lugar, el Asignación de Etiquetas Progresiva (PLA) permite estimar de manera dinámica el tamaño de las instancias de forma inteligente en diferentes etapas del proceso de entrenamiento. En segundo lugar, la Pérdida de Máscara Dinámica Guiada por Prioridades (PGDM-Loss) es una mejora del Algoritmo Voronoi Watershed de Point2RBox-v2, superando sus limitaciones en escenas dispersas y densas.
Point2RBox-v3 es el primer modelo en emplear pseudoetiquetas dinámicas para la asignación de etiquetas y combina de manera creativa las ventajas del modelo SAM con el algoritmo watershed, logrando un rendimiento excelente en escenas tanto dispersas como densas. Este enfoque proporciona un rendimiento competitivo, especialmente en escenarios con grandes variaciones en el tamaño de los objetos u ocurrencias de objetos dispersos.
En Q2BSTUDIO, nos dedicamos al desarrollo de software a medida y ofrecemos servicios de inteligencia artificial, servicios cloud a través de plataformas como AWS y Azure, así como soluciones de inteligencia de negocio con Power BI. Si tu empresa necesita soluciones personalizadas para mejorar tus procesos y optimizar tus recursos, no dudes en contactarnos.
.jpg)
.jpg)