Mar, 2020

面向具有噪声标注的抗噪声目标检测

PDF
TL;DR本文提出了一种训练目标检测器的框架，该框架可以处理含有混合标签噪声和边界框噪声的嘈杂标注数据，并通过交替噪声校正和模型训练来共同优化目标标签、边界框坐标和模型参数，其方法通过执行两个步骤来分离标签噪声和边界框噪声，并在 PASCAL VOC 和 MS-COCO 数据集上获得了良好的实验效果。
object detectorsnoisy annotationslabel noisebounding box noisemodel training
发现论文，激发创造
  • 目标检测中的嘈杂标注精炼

    本研究提出了一种新的方法来在包含类标注和边界框注释的噪声数据集上训练目标检测器，能高效地分离这些噪音并进行纠正，使训练得到的检测器能够显著优于基准检测器。

    Oct, 2021

  • NOTE-RCNN：用于半监督目标检测的噪声容忍集成 RCNN

    提出使用少量盒级注释和大量图像级注释对现代目标检测器进行半监督训练的新公式，并提出一种新的 NOise Tolerant Ensemble RCNN（NOTE-RCNN）目标检测器来处理标注噪声问题，该检测器能够在 ILVRC 2013 和 MSCOCO 2017 数据集上取得表现最好的效果。

    Dec, 2018

  • 不准确边界框下鲁棒物体检测

    本文旨在提出一种基于对象感知多实例学习的方法来学习对不准确边界框具有鲁棒性的对象探测器。通过选取准确的实例并生成高质量实例来最小化误差和提高精度。实验结果表明，该方法在合成和真实嘈杂数据集上均有效。

    Jul, 2022

  • 重复标注在目标检测中绘制相同边界框两次的处理方法

    本文提出了一种新颖的定位算法，将联合定位和分类任务转化为仅分类问题，从而实现了基于期望最大化（EM）或多数投票（MJV）等技术的应用，并在测试数据的唯一真值聚合方面展示了优异性能。

    Sep, 2023

  • 物体检测数据集中的噪声标签处理

    该研究探讨了利用自信学习算法来改善训练数据集的质量，通过发现原始训练数据集中的错误标签，可以消除其根源上的错误样本并重新标注可疑的边界框来提高数据集的质量，最终提高目标检测算法的性能。

    Nov, 2022

  • 使用带噪声数据训练目标检测器

    本文探讨了不同类型 label noise 对目标检测模型性能的影响，并演示了如何改进 co-teaching 方法以减少自动标注数据集上产生的 label noise 带来的影响。演示了基于 KITTI 数据集和自动标注数据集上的车辆检测任务的模拟噪声效果。

    May, 2019

  • 不需要边界框：仅使用人工验证来训练物体类别检测器

    通过提出一种仅需要验证自动产生的边界框的方案来训练目标类检测器，这种方案可以通过反复训练检测器、在训练图像中重新定位对象并进行人类验证，从而使用验证信号来改善重新训练和减少重新定位的搜索空间。实验表明，采用人类验证更新检测器和减少搜索空间可以迅速产生高质量的边界框注释，而且与完全监督的检测器相比，可以在不绘制任何边界框的情况下提供几乎同样好的性能。

    Feb, 2016

  • 室内场景目标检测的更快边界框标注

    本文提出了一种快速边界框注释的方法，该方法分为两个阶段：第一步手动标注数据集的一部分，第二步采用第一阶段注释的模型对其余样本进行注释。我们还介绍了一个新的完全标记的室内场景物体检测数据集，使用几种最先进的模型对其训练，并在速度和准确性方面进行了比较。

    Jul, 2018

  • 目标检测中嘈杂预测标注的深度主动学习

    减少标注数量并保持算法性能，通过主动学习算法在活动数据集中进行标签审核，可以提高模型性能，尤其在与不确定性查询策略相结合时。

    Sep, 2023

  • 带伪边界框标签的开放词汇目标检测

    本研究提出一种方法，从大规模图像 - 字幕对中自动生成多样物体的伪包围框注释，以扩大训练基础类别的范围，并通过实验证明该方法在各种数据集上比最先进的开放词汇检测器有更好的检测结果。

    Nov, 2021