Nov, 2024

反馈驱动的物体检测与迭代模型改进

HTML
PDF
TL;DR本研究解决了自动化物体检测中高效、高质量标注的挑战。我们开发了一个交互式平台，允许用户上传和标注图像，并通过半自动的方式优化物体检测模型，从而显著提高标注效率，实验结果显示Semi-automatic标注在时间上节省了多达53%的成本，同时保持或超越了人工标注的准确性。这一研究表明该平台在高质量物体检测数据集创建中的潜力，并为未来标注平台的开发提供了最佳实践指引。
发现论文，激发创造
  • 注释者一致性、基准真相估计和算法评估的实证研究

    本文研究了计算机视觉中的标注者一致性对目标检测算法评估的影响，发现不同标注者意见的差异对算法的评估有很大影响，GT的计算方法会对算法性能的排名产生很大的影响甚至可能导致算法性能被高估，且在某些数据集上很难确定一个算法优于另一个算法。

    Jul, 2013

  • 从少样本到多样本：使用混合监督学习注释目标检测

    该论文提出了一种使用在线标注模块（OAM）从弱标注图像生成一组可靠的注释，可与任何完全监督的两阶段对象检测方法联合训练，从而实现了仅需要一组低标注图像的完全端到端策略。将OAM与Fast(er) R-CNN相结合，可在PASCAL VOC 2007和MS-COCO基准测试上将其性能提高了17％ mAP，9％ AP50，并且明显优于使用混合监督的竞争方法。

    Aug, 2020

  • 基于区域的半监督稀疏标注目标检测方法

    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

  • 基于训练的模型细化和表示分歧的半监督目标检测

    通过提出一种新的训练模型细化阶段和简单而有效的表示不一致策略来解决半监督目标检测方法中的限制，该方法通过使用级联回归生成更可靠的伪标签来监督学生模型，实验证明该方法在 MS-COCO 数据集上相对于现有方法的平均 mAP 增益分别为 4.6% 和 5.3%。

    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

  • 目标检测的少标注学习：基于Transformer模型是否更高效？

    在这篇文章中，我们针对当前最先进的目标检测器Deformable DETR，提出了一种针对少批注学习设置的半监督方法，使用学生-教师架构，在避免依赖教师模型生成的伪标签的敏感后处理的同时进行学习。我们在半监督目标检测基准COCO和Pascal VOC上评估了我们的方法，并在标注稀缺的情况下优于先前的方法。我们相信我们的贡献为在此设置中使用类似的目标检测方法开辟了新的可能性。

    Oct, 2023

  • 基于贝叶斯的众包标注物体检测组合方法

    使用Bayesian Detector Combination（BDC）框架，智能推断标注者的质量，在噪声干扰下更有效地训练物体检测器，并通过模拟不同众包场景引入大规模合成数据集对模型进行一致性评估。

    Jul, 2024

  • 人类标注者在遥感数据的目标检测和分割中的表现

    本研究旨在评估标注策略、数据不平衡程度和先前经验对人类标注者表现的影响。实验结果显示，标注者在目标检测任务中的表现优于分割任务，且普遍存在更多的类型II错误，揭示出检测和分割过程中的偏差。这些发现有助于改进遥感研究中的标注策略，以提高训练数据的质量。

    Sep, 2024

  • 人类标注者在遥感数据目标检测和分割中的表现

    本研究旨在评估标注策略、数据不平衡程度和经验对人类标注者表现的影响，重点在小型光伏太阳能板的标签。实验结果表明，标注者在目标检测任务中的表现优于分割任务，并且在所有实验条件中存在明显的未检测到对象的偏差。研究结果为提高遥感领域的标注策略提供了重要见解，尤其是在对高质量训练数据的需求日益增长的背景下。

    Sep, 2024

  • 重新思考物体检测的标注：标注小尺寸实例是否值得其成本？

    该研究探讨了标注小尺寸物体实例的成本效益问题，提出了一个新的研究问题：是否可以用未包含小尺寸实例的训练数据训练出有效的检测器。研究表明，通过在测试时放大输入图像和训练时缩小图像的方法，可以实现与完全训练数据训练的基线检测器相当的效果，从而推动了物体检测训练数据标注的再思考。

    Dec, 2024