論文の概要: BakuFlow: A Streamlining Semi-Automatic Label Generation Tool
- arxiv url: http://arxiv.org/abs/2506.09083v1
- Date: Tue, 10 Jun 2025 08:02:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 06:35:01.664066
- Title: BakuFlow: A Streamlining Semi-Automatic Label Generation Tool
- Title（参考訳）: BakuFlow: 半自動ラベル生成ツール
- Authors: Jerry Lin, Partick P. W. Chen,
- Abstract要約: BakuFlowは半自動ラベル生成ツールである。
主な特徴は,(1) 画素精度のマニュアル修正,ユーザエクスペリエンスの向上,(2) トレーニングデータセットの多様化のための対話型データ拡張モジュール,(3) ラベル付きオブジェクトを連続フレーム間で高速にコピーするためのラベル伝搬などである。
オリジナルのYOLOEとは異なり、私たちの拡張はアノテーション中に新しいオブジェクトクラスとクラス毎の視覚的なプロンプトを追加することをサポートし、動的で現実世界のデータセットに対して柔軟でスケーラブルなラベル付けを可能にします。
- 参考スコア（独自算出の注目度）: 0.1015589042878294
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately labeling (or annotation) data is still a bottleneck in computer vision, especially for large-scale tasks where manual labeling is time-consuming and error-prone. While tools like LabelImg can handle the labeling task, some of them still require annotators to manually label each image. In this paper, we introduce BakuFlow, a streamlining semi-automatic label generation tool. Key features include (1) a live adjustable magnifier for pixel-precise manual corrections, improving user experience; (2) an interactive data augmentation module to diversify training datasets; (3) label propagation for rapidly copying labeled objects between consecutive frames, greatly accelerating annotation of video data; and (4) an automatic labeling module powered by a modified YOLOE framework. Unlike the original YOLOE, our extension supports adding new object classes and any number of visual prompts per class during annotation, enabling flexible and scalable labeling for dynamic, real-world datasets. These innovations make BakuFlow especially effective for object detection and tracking, substantially reducing labeling workload and improving efficiency in practical computer vision and industrial scenarios.
- Abstract（参考訳）: 正確なラベル付け(あるいはアノテーション)データはコンピュータビジョンのボトルネックであり、特に手動のラベル付けが時間がかかり、エラーが発生しやすい大規模タスクでは、依然としてボトルネックとなっている。
LabelImgのようなツールはラベリングタスクを処理できるが、各イメージを手動でラベル付けするためにアノテータを必要とするものもある。
本稿では,半自動ラベル生成ツールBakuFlowを紹介する。
主な特徴は,(1)手動補正のためのライブ調整可能な拡大器,(2)訓練データセットの多様化のための対話型データ拡張モジュール,(3)連続フレーム間でラベル付きオブジェクトを高速にコピーするためのラベル伝搬,(4)ビデオデータのアノテーションの大幅な高速化,(4)改良されたYOLOEフレームワークを利用した自動ラベリングモジュールである。
オリジナルのYOLOEとは異なり、私たちの拡張はアノテーション中に新しいオブジェクトクラスとクラス毎の視覚的なプロンプトを追加することをサポートし、動的で現実世界のデータセットに対して柔軟でスケーラブルなラベル付けを可能にします。
これらのイノベーションは、BakuFlowを特にオブジェクトの検出と追跡に有効にし、ラベル付け作業の負荷を大幅に削減し、実用的なコンピュータビジョンと産業シナリオの効率を向上させる。
関連論文リスト
- Distilling Self-Supervised Vision Transformers for Weakly-Supervised
Few-Shot Classification & Segmentation [58.03255076119459]
視覚変換器(ViT)を利用した弱教師付き小ショット画像分類とセグメンテーションの課題に対処する。
提案手法は,自己監督型ViTからトークン表現を抽出し,その相関関係を利用して分類とセグメンテーションの予測を行う。
Pascal-5iとCOCO-20iの実験は、様々な監視設定において大きなパフォーマンス向上を示した。
論文 参考訳（メタデータ） (2023-07-07T06:16:43Z) - AutoWS: Automated Weak Supervision Framework for Text Classification [1.748907524043535]
本稿では、ドメインエキスパートへの依存を減らしつつ、弱い監督プロセスの効率を高めるための新しい枠組みを提案する。
本手法では,ラベルクラス毎にラベル付きサンプルの小さなセットが必要であり,多数のラベル付きデータにノイズ付きラベルを割り当てるラベル付き関数のセットを自動生成する。
論文 参考訳（メタデータ） (2023-02-07T07:12:05Z) - Losses over Labels: Weakly Supervised Learning via Direct Loss
Construction [71.11337906077483]
プログラム可能な弱い監視は、機械学習のパラダイムとして成長している。
ラベルの中間ステップを経由することなく,直接損失を発生させるため,ラベルのロバスト・オーバー・ラベル(Losses over Labels, LoL)を提案する。
いくつかのベンチマークテキストおよび画像分類タスクにおいて、LoLは既存の弱い監督手法を改善していることを示す。
論文 参考訳（メタデータ） (2022-12-13T22:29:14Z) - SepLL: Separating Latent Class Labels from Weak Supervision Noise [4.730767228515796]
弱い教師付き学習では、ラベル付け機能は自動的にデータサンプルにラベルを割り当て、しばしばうるさい。
本研究では,2種類の補完情報を分離し,弱いラベルから学習する手法を提案する。
我々のモデルは最先端技術と競合し、新しい最高の平均性能をもたらす。
論文 参考訳（メタデータ） (2022-10-25T10:33:45Z) - SciAnnotate: A Tool for Integrating Weak Labeling Sources for Sequence
Labeling [55.71459234749639]
SciAnnotateはSciAnnotateという名前のテキストアノテーションのためのウェブベースのツールで、科学的なアノテーションツールを指す。
我々のツールは、弱いラベルを作成するために複数のユーザフレンドリーなインターフェースを提供する。
本研究では,Bertifying Conditional Hidden Markov Modelを用いて,ツールが生成する弱いラベルを識別する手法を提案する。
論文 参考訳（メタデータ） (2022-08-07T19:18:13Z) - TagRuler: Interactive Tool for Span-Level Data Programming by
Demonstration [1.4050836886292872]
データプログラミングは、プログラミングの方法を知っているユーザーにのみアクセス可能だった。
我々はTagRulerという新しいツールを構築し、アノテータがプログラミングなしでスパンレベルのラベリング関数を簡単に構築できるようにする。
論文 参考訳（メタデータ） (2021-06-24T04:49:42Z) - Towards Good Practices for Efficiently Annotating Large-Scale Image
Classification Datasets [90.61266099147053]
多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。
人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。
ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
論文 参考訳（メタデータ） (2021-04-26T16:29:32Z) - A Study on the Autoregressive and non-Autoregressive Multi-label
Learning [77.11075863067131]
本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。
したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
論文 参考訳（メタデータ） (2020-12-03T05:41:44Z) - Reducing the Annotation Effort for Video Object Segmentation Datasets [50.893073670389164]
ピクセルマスクでフレームを密にラベル付けしても 大規模なデータセットにはスケールしない
我々は、より安価なバウンディングボックスアノテーションからピクセルレベルで擬似ラベルを自動生成するために、深層畳み込みネットワークを使用します。
我々は新しいTAO-VOSベンチマークを取得し、www.vision.rwth-aachen.de/page/taovosで公開している。
論文 参考訳（メタデータ） (2020-11-02T17:34:45Z) - Generative Adversarial Data Programming [32.2164057862111]
本稿では,ラベル付け機能を用いた遠隔監視信号を用いて,与えられたデータのラベルをほぼ一定時間で取得できることを示す。
このフレームワークは、自己教師付きラベル付き画像生成、ラベル付き画像生成へのゼロショットテキスト、転送学習、マルチタスク学習など、さまざまな設定に拡張されている。
論文 参考訳（メタデータ） (2020-04-30T07:06:44Z) - GraftNet: An Engineering Implementation of CNN for Fine-grained
Multi-label Task [17.885793498743723]
GraftNetは木のようなカスタマイズ可能なネットワークで、トランクにはジェネリックな特徴抽出のための動的グラフが事前訓練されている。
本研究では,人間の属性認識タスクにおいて,細粒度多ラベル分類の優れた性能を示す。
論文 参考訳（メタデータ） (2020-04-27T11:08:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。