論文の概要: Confident Learning for Object Detection under Model Constraints

• arxiv url: http://arxiv.org/abs/2601.11640v1
• Date: Wed, 14 Jan 2026 15:32:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.240728
• Title: Confident Learning for Object Detection under Model Constraints
• Title（参考訳）: モデル制約下における物体検出の信頼度学習
• Authors: Yingda Yu, Jiaqi Xuan, Shuhui Shi, Xuanyu Teng, Shuyang Xu, Guanchao Tong,
• Abstract要約: エッジデバイス上での農業雑草検出は、モデルキャパシティ、計算リソース、リアルタイム推論レイテンシに厳しい制約が課される。 本稿では,データ品質の欠陥を反復診断し,修正することにより検出性能を向上させるデータ中心型フレームワークであるMDDCを提案する。
• 参考スコア（独自算出の注目度）: 0.05131152350448099
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agricultural weed detection on edge devices is subject to strict constraints on model capacity, computational resources, and real-time inference latency, which prevent performance improvements through model scaling or ensembling. This paper proposes Model-Driven Data Correction (MDDC), a data-centric framework that enhances detection performance by iteratively diagnosing and correcting data quality deficiencies. An automated error analysis procedure categorizes detection failures into four types: false negatives, false positives, class confusion, and localization errors. These error patterns are systematically addressed through a structured train-fix-retrain pipeline with version-controlled data management. Experimental results on multiple weed detection datasets demonstrate consistent improvements of 5-25 percent in mAP at 0.5 using a fixed lightweight detector (YOLOv8n), indicating that systematic data quality optimization can effectively alleviate performance bottlenecks under fixed model capacity constraints.
• Abstract（参考訳）: エッジデバイス上での農業雑草検出は、モデルのキャパシティ、計算リソース、リアルタイムの推論レイテンシに厳しい制約が課されるため、モデルスケーリングやアンサンブルによるパフォーマンス改善が防止される。 本稿では,データ品質の欠陥を反復診断し,修正することにより検出性能を向上させるデータ中心型フレームワークであるMDDCを提案する。 自動エラー解析手順は、検出エラーを偽陰性、偽陽性、クラス混乱、ローカライゼーションエラーの4つのタイプに分類する。 これらのエラーパターンは、バージョン管理されたデータ管理を備えた構造化トレイン-フィックス-リトレインパイプラインを通じて体系的に対処される。 複数の雑草検出データセットの実験結果は、固定された軽量検出器(YOLOv8n)を用いて0.5mAPで5～25%の連続的な改善を示し、体系的なデータ品質最適化により、固定されたモデルキャパシティ制約下でのパフォーマンスボトルネックを効果的に軽減できることを示した。

関連論文リスト

• Reliably Detecting Model Failures in Deployment Without Labels [14.069153343960734]
  本稿では,デプロイ後劣化(PDD)モニタリングの問題点を定式化し,対処する。 本稿では,予測モデルの相違に基づく,実用的で効率的なモニタリングアルゴリズムD3Mを提案する。 標準ベンチマークと実世界の大規模内科データセットによる実証的な結果から,フレームワークの有効性が示された。
  論文  参考訳（メタデータ） (2025-06-05T13:56:18Z)
• An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
  電力系統の信頼性を確保するためには絶縁体の検査が重要である。 検査プロセスを自動化するために、ディープラーニングがますます活用されています。 本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-14T11:36:20Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• A Computer Vision Enabled damage detection model with improved YOLOv5 based on Transformer Prediction Head [0.0]
  現在の最先端ディープラーニング(DL)に基づく損傷検出モデルは、複雑でノイズの多い環境では優れた特徴抽出能力を欠いていることが多い。 DenseSPH-YOLOv5は、DenseNetブロックをバックボーンに統合したリアルタイムDLベースの高性能損傷検出モデルである。 DenseSPH-YOLOv5は平均平均精度(mAP)が85.25%、F1スコアが81.18%、精度(P)が89.51%である。
  論文  参考訳（メタデータ） (2023-03-07T22:53:36Z)
• Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
  スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。 本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。 評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
  論文  参考訳（メタデータ） (2022-11-08T19:00:00Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
  本稿では,トレーニングデータの密度と制御性能の関係を考察する。 データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。 フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-25T12:13:49Z)

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。