![]() Sejong Üniversitesi araştırmacıları nesne algılama veri kümelerindeki gizli etiketleme hatalarını incelediSejong University researchers examine hidden annotation errors in object detection datasetsHabere gitRead the article |
ÖzetSummarySejong Üniversitesi'nden bir araştırma makalesi, COCO, DOTA, Open Images, Pascal VOC, FSOD, Objects365 ve LVIS gibi önde gelen nesne algılama kıyaslamalarındaki etiketleme hatalarını sistematik olarak sınıflandırıyor. Makale, bu hataları tespit etme ve doğrulama yöntemlerini inceleyerek manuel, zayıf denetimli, yarı denetimli ve tamamen otomatik yaklaşımları gözden geçiriyor.A research paper from Sejong University systematically classifies labeling errors in leading object detection benchmarks such as COCO, DOTA, Open Images, Pascal VOC, FSOD, Objects365, and LVIS. The article examines methods for detecting and validating these errors, reviewing manual, weakly supervised, semi-supervised, and fully automated approaches. |
Neden ÖnemliWhy it mattersNesne algılama; otonom sürüş, tıbbi görüntüleme ve robotik gibi alanların temelini oluşturuyor. Ancak araştırma topluluğu, eğitim verilerini hazır kabul ederken orantısız bir şekilde model mimarisi üzerine odaklanıyor. Bu çalışma, etiketleme hata türleri için acil ihtiyaç duyulan bir sınıflandırma sunuyor. Bu türler arasında kaçırılan nesneler, yanlış etiketlenen kategoriler, hizasız sınırlayıcı kutular ve grup hataları yer alıyor. Çalışma ayrıca daha güvenilir bilgisayarlı görü boru hatları oluşturmak için bir referans çerçevesi sağlıyor.Object detection forms the foundation for fields such as autonomous driving, medical imaging, and robotics. However, the research community disproportionately focuses on model architecture while taking training data as given. This study provides an urgently needed classification of labeling error types, including missed objects, mislabeled categories, misaligned bounding boxes, and grouping errors. It also offers a reference framework for building more reliable computer vision pipelines. |
Öne ÇıkanlarHighlights
|
EleştiriCritical takeBu bir derleme makalesi olduğu için yeni bir algılama algoritması önermek yerine mevcut literatürü sentezliyor. 47.000 görsel üzerinde yapılan manuel denetim faydalı olsa da, her yıl yayımlanan yeni veri kümelerinin akışına yetişemeyen statik bir anlık görüntü niteliğinde. Çalışmanın gerçek etkisi, topluluğun sınırlayıcı kutu kuralları, etiket hiyerarşileri ve görünürlük eşikleri için önerilen standartları ne ölçüde benimseyeceğine bağlı. Makalenin kendisi bu benimsenmeyi kanıtlamıyor.As a review paper, it synthesizes existing literature rather than proposing a new detection algorithm. While the manual audit of 47,000 images is useful, it represents a static snapshot that cannot keep pace with the flow of new datasets published each year. The study's real impact depends on how widely the community adopts the proposed standards for bounding box rules, label hierarchies, and visibility thresholds. The paper itself does not prove this adoption. |
