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
通过分析 15 多个模型在 4 个数据集上的表现,确定了基于深度学习的目标检测算法的平衡点,并发现分类错误是目标检测中错误的主要来源,而上下文对于检测小目标比大目标更重要。
Nov, 2019
本研究提出了一种基于正无标记问题的方案可以解决目标检测中标注缺失的问题,并在PASCAL VOC等数据集中实现了更好的结果。
Feb, 2020
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
本文提出一种基于区域的半监督算法,用于解决稀疏标注数据中缺失标注信息的物体检测问题,实验表明该算法在PASCAL-VOC数据集中取得了最优性能。
Jan, 2022
利用视觉与语言模型产生伪标签的方法来实现无标注图像中物体的定位和分类,从而解决大规模获取标注数据的难题,并通过在学习过程中使用这些伪标签,展示了该方法在开放词汇检测和半监督目标检测等任务上的有效性。
Jul, 2022
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
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
远程感知图像中微小目标的精确检测仍然是一个重要的挑战,因为这些目标的视觉信息有限且在场景中经常出现。本研究针对噪声标签监督下的微小目标检测问题进行了系统研究,并提出了一种去噪微小目标检测器(DN-TOD),其中包括了类别感知标签校验和趋势引导学习策略来应对类别偏移和边界框噪声问题。DN-TOD在各种类型的标签噪声下表现出了鲁棒性,显著改进了基准模型 RFLA 在40%混合噪声下的性能。
Jan, 2024