仅需轻量后处理头，EAGLE在MS COCO上稳定提升0.9 mAP50-95！
EAGLE: Entropy-Aware Geometric Learning Enhancer for Partially Polygon-Supervised Object Localization
📖 AI 总结
该论文针对目标检测中边界框监督缺乏几何精度、而部分多边形监督在形状简单类别上反而可能损害定位性能的问题，提出了一种量化逐类几何复杂度的数学框架，将信息论与统计形状分析相结合。基于该框架，作者设计了EAGLE——一个轻量级的训练后模型头，利用熵引导的更新进行边缘细化与定位重打分，从而为定位模型注入几何信息。在MS COCO和Pascal SBD上的实验表明，该熵框架能够有效预测形状重建误差以及掩码预测与标准框预测之间的精度差异；EAGLE在已有先进检测框架上取得稳定提升，在MS COCO上mAP50-95提高0.9个点，且推理开销极小。该工作为部分多边形监督下的目标定位提供了一种兼顾标注成本与几何精度的实用方案。
🔑 关键词速览
| 部分多边形监督 | 训练时仅对部分目标提供多边形掩码标注的弱监督定位方法。 |
| 熵感知几何学习增强器 (EAGLE) | 一种轻量级后训练模型头，利用熵信息学习几何特征以提升定位精度。 |
| 几何复杂度 | 通过信息论和统计形状分析量化的每个类别形状的复杂程度。 |
| 边缘细化 | 利用几何信息对目标边缘进行精细调整以改善定位。 |
| 定位重评分 | 基于熵信息对定位预测进行重新评分以提升准确性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅