annotation errors | BriefGPT

关键词annotation errors

搜索结果 - 15

注释错误与 NER：OntoNotes 5.0 研究
该研究通过使用三种简单技术在 OntoNotes 5.0 语料库中检测注释错误，对英文命名实体识别（Named Entity Recognition，NER）的训练集、开发集和测试集进行了大量修正，提高了 1.23% 的整体 F 分数，对某
PDF7 days ago
ACL基于语言条件的语义文本相似度
通过重新注释 C-STS 验证集，并经过全面的数据集分析，我们改进了 C-STS 任务，利用模型理解 QA 任务设置中的条件，从而生成答案，并提出了一种自动错误识别流水线，能够以 80% 以上的 F1 得分识别 C-STS 数据中的注释错误
PDFa month ago
VariErr NLI：将注释错误与人类标签变异分离
人类标签变异与注释错误是 NLP 基准测试中普遍存在的问题，现有研究通常将其孤立研究。本论文提出了一种系统的方法和一个新的数据集 VariErr，着重研究英语 NLI 任务中的错误与变异。通过评估各种自动错误检测方法和 GPT 模型在发现错
PDF4 months ago
ACL实体的不同偏好：研究命名实体标注中的人工标签变化
本研究通过对三种语言的专家注释的命名实体数据集进行调查，展示了文本歧义和人工指南变更是高质量修订的差异性注释的主要因素，并对难以理解的实体的学生注释进行了调查，证明了从分布视角理解命名实体歧义的多向注释的可行性和必要性。
PDF5 months ago
EMNLPCleanCoNLL：一个几乎无噪声的命名实体识别数据集
通过综合重新标定工作和自动一致性检查，修正了英文 CoNLL-03 中所有标签的 7.0%。我们的资源通过实验证实了最先进的方法在我们的数据上达到了显著更高的 F1 得分（97.1%），并且通过注释噪声的误差分析发现高资源粗粒度 NER 的
PDF8 months ago
搜索相关性数据标注任务的通用化错误建模
本研究提出了一个预测性错误模型，用于检测三个规模广泛的机器学习应用（音乐流媒体、视频流媒体和移动应用）的搜索相关性标注任务中的潜在错误，并评估其提高数据标注过程的质量和效率的潜力。研究结果表明，自动错误检测模型可以在数据注释过程的效率和质量
PDF9 months ago
ICMLObjectLab: 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
PDF10 months ago
ICML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。
PDFa year ago
轻量级预测质量评估：基于激光雷达点云的目标检测
LidarMetaDetect (LMD) 是一种基于后处理的预测质量估算方案，可以在不更改基础模型的情况下，轻松地添加到任何预训练的 Lidar 物体检测器中，提高了真实预测与错误预测之间的统计可靠性，并且可以被用于发现像 KITTI 和
PDFa year ago
ACL面向文档级关系抽取的辨别性和鲁棒性融合
本文针对文档级关系抽取问题，设计一种具有高区分性和鲁棒性的方法，包括有效的损失函数，熵最小化和有监督对比学习，新颖的负标签采样策略，并在新的数据情境下进行评估。实验结果表明，该方法在 DocRED 数据集，Re-DocRED 和提出的数据情
PDFa year ago
使用不完美标签进行人群密度估计
本文研究了深度学习模型在使用不完美标注的人群图像数据进行密度估算时的鲁棒性，提出了一种使用自动生成的不完美标注数据训练的方法以代替标注错误数据的方法。实验结果表明，该方法可以更接近于使用完美标注数据训练的人群计数模型的准确度。
PDF2 years ago
改进集体准确性差异的异常值感知训练
该研究介绍了一种检测和移除训练子集中离群值的方法，以最大限度地减少假相关性并提高模型准确性，实验证明其能够有效检测并移除 JTT 中的注释错误。
PDF2 years ago
EMNLP序列标注模型的影响函数
本文通过使用影响函数测度的方法，扩展了序列标注模型的可解释性。作者通过度量标注段之间的影响，确定训练中误差的位置，从而提高了模型的准确性。
PDF2 years ago
CVPR标注错误对基于 YOLOv3 的无人机检测的影响
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。
PDF4 years ago
CVPR重访牛津和巴黎：大规模图像检索基准测试
本文研究图像检索基准测试中的问题，特别是注释错误、数据集大小和难度水平等方面，并创建了新的数据集注释，引入了三个不同难度的协议以公平地比较不同方法，在新基准测试中进行了先进方法的广泛比较。
PDF6 years ago