CVPRApr, 2020

标注错误对基于 YOLOv3 的无人机检测的影响

PDF
TL;DR本文通过模拟不同类型的标注错误并测试具有错误注释的 YOLOv3 的性能，同时研究了 CVPR-2020 Anti-UAV Challenge 数据集中不可避免的注释错误，并提出了纠正这些注释错误的解决方案。
deep learningobject detectionannotation errorstracking algorithmscvpr-2020 anti-uav challenge dataset
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

  • ObjectLab: 目标检测数据中误标记图像的自动诊断

    我们提出了 ObjectLab 算法，用于检测目标检测标签中的各种错误，包括：漏掉的边界框、位置错误的边界框和错误的类别标签分配。ObjectLab 利用任何经过训练的目标检测模型对每个图像的标签质量进行评分，从而可以自动优先考虑进行标签的审查和修正。适当处理错误数据可训练出更好的目标检测模型的版本，而无需更改现有的建模代码。ObjectLab 在不同的目标检测数据集（包括 COCO）和不同的模型（包括 Detectron-X101 和 Faster-RCNN）上始终比其他标签质量评分方法更准确地检测到注释错误的存在。

    Sep, 2023

  • 无人机类型集：用于无人机检测和追踪的无人机类型检测基准

    通过开发人工智能技术，本研究提供了一个包含不同类型未经授权的无人机数据集，用于比较各种被识别的目标检测模型，并提供了实验结果和方法描述。

    May, 2024

  • 针对航空图片的 YOLOv4 目标检测分析与改进

    本文介绍了一种基于 YOLOv4 的计算机视觉算法，可以快速准确地检测无人机航拍图像中的目标物体，可应用于实时监测等领域。

    Mar, 2022

  • 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

  • 注释错误检测：分析过去和现在，创造更连贯的未来

    本文重新实现并评估了 18 种检测可能存在的注释错误的方法，并在 9 个英文数据集上进行了评估，同时提供了评估协议和实现的开源软件包，以促进未来的研究和再现性。

    Jun, 2022

  • 通过任意模型评估语义分割数据的标签质量和误差

    研究了用于自动检测语义分割数据集中标注错误的算法，其中应用了 7 种不同的质量评分方法，最有效的方法是使用准确率和召回率的模型预测概率的软最小值来识别标注错误的图像。

    Jul, 2023

  • 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

  • Gaussian YOLOv3：一种使用局部化不确定性准确快速检测自动驾驶对象的方法

    本文提出了一种通过使用高斯参数建模和重新设计损失函数来提高 YOLOv3 的检测精度以及一种用于预测位置不确定性以指示 bbox 可靠性的方法。经过 KITTI 和 Berkeley deep drive (BDD) 数据集测试，与传统的 YOLOv3 相比，所提出的算法 (Gaussian YOLOv3) 在保持实时检测速度 (42 帧 / 秒) 的同时，将平均精度提高了 3.09 和 3.5 个点。因此，本研究提出的算法是自动驾驶应用中最合适的检测算法。

    Apr, 2019

  • 面向具有噪声标注的抗噪声目标检测

    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。

    Mar, 2020