.png){kind=icon}
返回
Combating Noisy Labels in Object Detection Datasets
.png){kind=icon}
PRE
AI
DOI：10.1007/s10994-025-06976-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据标注的质量对DNN性能有强烈影响，尤其是在物体检测等复杂任务中。处理噪声标注通常局限于接受部分样本标注错误、估计其置信度，并在训练时赋予适当权重或忽略不确定标注。受汽车质量和安全标准的要求启发，本研究提出了一种不同方法。我们引入了“物体检测置信学习”（Confident Learning for Object Detection）算法，用于评估物体检测数据集中每个标签的质量，识别缺失、冗余、错误标注和位置错误的边界框，并建议修正。通过专注于在训练数据集中查找错误样本，我们能够从源头上消除这些问题。可疑的边界框可通过审查来提升数据集质量，从而在不进一步复杂化现有复杂模型架构的情况下获得更好的模型。该方法能够以低于10%的误报率指出约80%的人工干扰标注边界框。通过应用最可信的自动建议清理数据集，mAP分数提升了16%至46%（具体取决于数据集），且无需对网络架构进行任何修改。该方法在修正当前最先进的物体检测数据集方面展现出良好的潜力。源代码已在GNU通用公共许可证v3下公开，地址为：https://github.com/safednn-group/safednn-clean。
Keyword:
Noisy labels
Object detection
Data cleansing
Data quality
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
引用论文
.png){kind=icon}
Narrowing the Gap: Improved Detector Training With Noisy Location Annotations缩小差距: 使用嘈杂的位置注释改进检测器训练
OAAI
OAAI分享收藏
分享收藏Combating Label Noise in Image Data Using MultiNET Flexible Confident Learning使用MultiNET柔性置信学习对抗图像数据中的标签噪声OAAI
OAAI分享收藏
查看更多内容