物体检测数据集中的噪声标签处理
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
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
本文提出了一个统一的主动学习框架,并考虑到了检测器的不确定性和鲁棒性,从而保证了网络在所有类中的良好表现,并利用自动标注抑制潜在的分布漂移,提高了模型的性能。实验表明,我们的方法在 PASCAL VOC07+12 和 MS-COCO 上始终优于广泛应用的主动学习方法,在 mAP 上提高了 7.7%, 或在标注成本上降低了 82%。
Jun, 2021
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
本文提出了一种基于深度神经网络的预测不确定性来识别训练数据中存在的噪声标签并通过迭代程序实现清洗的方法,该方法在 CIFAR-10 和 CIFAR-100 上有良好的性能表现。
May, 2019
本研究利用以前方法估计地面真实边框参量的不确定性来改进激光雷达概率目标检测器的检测准确性。实验结果表明,我们的方法在平均精度方面比基线模型和基于简单启发式方法的模型提高了高达 3.6%。
Aug, 2020
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
该论文介绍了一种用于少量数据情况下目标检测的伪标注方法,可以从训练数据中找到高质量伪标注,显著增加训练实例数量,降低类别不平衡问题,通过验证技术和训练一个专门的模型来纠正盒子边框的质量,其中展示了算法在 PASCAL VOC 和 MS-COCO 数据集上的表现,与现有方法相比获得了最优状态或次优状态。
Dec, 2021