新闻中转

​

　　2025年12月2日，江西财经大学计算机与人工智能学院陈俊杰博士团队在神经信息处理系统大会（NeurIPS2025）上发表了一项以“Weak-shot Keypoint Estimation via Keyness and CorrespondenceTransfer”（基于关键性与对应性迁移的弱监督关键点估计）为题的研究论文。NeurIPS与CVPR、ICML并称机器学习与人工智能领域的“三大顶会”，是是CCF推荐A类会议，是该方向含金量最高的学术舞台之一。该研究首次提出“关键性”与“对应性”两类类无关知识的迁移策略，使模型在从未见过的新类别物体上也能自动定位关键点，打破传统方法对大量类别标注的依赖。这一范式级突破为通用物体姿态估计开辟了新路径。

图1.弱监督关键点估计框架：数据效率对比与双分支知识迁移架构

　　关键点估计是计算机视觉的基础任务，但传统方法依赖海量标注数据，成本高昂。现有少样本与无监督学习难以兼顾多类别扩展性与低标注成本。研究聚焦弱监督关键点估计，借助少量基类标注辅助学习大量新类，核心挑战在于基类与新类差异巨大，何种知识可迁移。

图2.关键性与对应性迁移流程

　　研究提出关键点估计的本质包含两个通用性要素：一是关键性（Keyness），及判断像素是否属于显著部位；二是对应性（Correspondence），及判断两像素是否属于同一语义部位。这两个要素均基于比较，与类别无关，具有天然的跨类别迁移能力。基于这一洞察，研究设计了双分支知识迁移框架：关键性迁移引导关键点向局部最大值移动，对应性迁移则强化跨图像关键点间的几何一致性。

图3.与先前工作的定量结果与定性比较

　　该研究在包含100个类别的MP-100基准上评估，仅用少量基类标注即在新类别上取得优异精度。可视化显示，模型成功将“部位显著性”与“跨图一致性”迁移至形态迥异的新类。该研究提出了高效跨类别知识迁移框架，核心贡献在于将“关键性”与“对应性”提炼为可迁移的类无关知识，为标注稀缺场景提供新思路，且框架即插即用，有望大幅降低该领域的标注成本。

　　该研究由江西财经大学计算机与人工智能学院与上海交通大学合作完成，陈俊杰博士为论文第一作者，牛力教授为论文通讯作者，合作者包括方玉明教授、姜文晖副教授、硕士研究生罗泽宇、硕士研究生刘泽政。

　　研究得到国家重点研发计划、国家自然科学基金、江西省自然科学基金、中国博士后科学基金及江西省青年科技人才项目等的支持。（图文/计算机与人工智能学院  审核/姜莹  赵旻  成亚林）